Rekomendasi Kelayakan Kredit Nasabah Dengan Pendekatan Algoritma Naive Bayes / Muhammad Rizky Pratama / 14210015 / Pembimbing: R. Joko Sarjanoko / Program Studi: Sistem Informasi

Pemberian kredit memiliki risiko kredit macet atau Non Performing Loan (NPL) yang dapat berpengaruh pada kegiatan utama suatu bank atau lembaga keuangan yang memberikan pinjaman. Risiko kredit macet menjadi permasalahan yang selalu dihadapi oleh lembaga keuangan, hal tersebut dapat terjadi karena tidak akurat dan tidak efektif dalam memprediksi dan memberikan rekomendasi kelayakan kredit kepada nasabah yang ingin mengajukan kredit, karena pengambilan keputusan pemberian kredit masih dilakukan secara subjektif tanpa metode analisis yang tepat sehingga menghasilkan prediksi yang tidak akurat. Tujuan dari penelitian ini adalah untuk memprediksi dan memberikan rekomendasi kelayakan kredit nasabah di lembaga keuangan yang khusus memberikan pinjaman modal untuk nasabah perempuan prasejahtera yang memiliki usaha pada tingkatan ultra mikro, menggunakan pendekatan Algoritma Naive Bayes, algoritma ini memiliki fungsi yang dapat melakukan klasifikasi data secara kompleks pada kelas tertentu seperti kredit macet atau lancar dengan cara menghitung setiap kemungkinan yang terjadi berdasarkan kelas pada data training yang sudah ada sebelumnya. Hasil dari penerapan Algoritma Naive Bayes dapat menghasilkan data dan informasi secara akurat, karena dapat memprediksi kelayakan kredit nasabah apakah berisiko lancar atau macet. Selain itu, algoritma ini juga dapat menghasilkan proses yang lebih efektif sehingga lebih cepat untuk memprediksi dan memberikan rekomendasi kelayakan kredit nasabah yang ingin mengajukan kredit dalam pemberian kredit kepada nasabah. Hasil uji coba pada ahli sistem rekomendasi kelayakan kredit nasabah dengan pendekatan Algoritma Naive Bayes, diperoleh hasil sebesar 100%. Sedangkan pada uji coba pada pengguna dengan menggunakan kuesioner PSSUQ sesuai dengan kategori PSSUQ diperoleh hasil secara keseluruhan (Overall) sebesar 100%, kegunaan sistem (Sysuse) sebesar 96,4%, kualitas informasi (Infoqual) sebesar 90,5%, dan kualitas antar muka (Interqual) sebesar 89,3%. Selain itu, untuk hasil uji tingkat keakuratan yang sudah dilakukan menggunakan Confusion Matrix, diperoleh hasil sebesar 92%.