UNBINUNBIN

Jurnal SAINTEKOM (Sains dan Teknologi Komputasi)Jurnal SAINTEKOM (Sains dan Teknologi Komputasi)

Salah satu faktor yang mempengaruhi tingkat kesehatan bank yaitu profil risiko. Pada profil risiko terdapat risiko kredit yang harus diantisipasi oleh lembaga keuangan dalam memberikan pinjaman kepada nasabah yang diawali dengan proses analisa debitur dengan tepat. Account Officer adalah karyawan yang bertugas mengelola kredit nasabah yang didalamnya terdapat proses analisa kredit, pemantauan perkembangan usaha dan memastikan debitur membayar tunggakan pinjaman pokok dan bunga tepat waktu. Untuk memperoleh debitur yang layak diberikan pinjaman, Account Officer perlu melakukan pengelompokan data debitur terlebih dahulu. Penelitian ini dilakukan untuk pengelompokan debitur yang layak diberikan pinjaman dengan menggunakan Algoritma K-Means. Algoritma K-Means digunakan sebagai salah satu teknik data mining yang efektif dalam pengelompokan untuk memperoleh data yang akurat. Data yang digunakan mencakup atribut seperti, jangka waktu pinjaman, kolektabilitas saat ini, kolektabilitas sebelumnya, persediaan usaha, hasil usaha dan angsuran pinjaman. Proses analisis dilakukan dengan menggunakan Metode Silhouette Coefficient untuk mengukur performa cluster dan diperoleh nilai sebesar 0.7299 yang termasuk dalam kategori Strong Structure untuk tingkat kemiripan data. Penelitian ini sudah dilakukan pengujian diantaranya uji ahli dengan nilai persentase kelayakan sebesar 100% yang artinya sistem dapat dikembangkan, serta uji pengguna dengan nilai sebesar 89.85% yang artinya program yang dibuat termasuk kategori sangat layak untuk dikembangkan.

Berdasarkan hasil penelitian yang dilakukan, kesimpulan yang bisa diuraikan antara lain.Penelitian menggunakan algoritma K-Means menghasilkan pengelompokan debitur menjadi dua cluster.289 debitur layak menerima penawaran pinjaman (Cluster 1) dan 129 debitur tidak layak menerima penawaran pinjaman (Cluster 2).Validasi hasil penelitian menunjukkan bahwa uji hasil menggunakan Silhouette Coefficient menghasilkan nilai 0.7299, yang masuk dalam kategori strong structure, menegaskan bahwa jumlah cluster dalam penelitian ini optimal.Oleh karena itu, penelitian ini layak digunakan.Hasil pengelompokan membantu petugas Account Officer mempercepat proses analisa debitur, memberikan hasil yang lebih objektif serta menghasilkan informasi yang mendukung Manager Bisnis dalam menyusun strategi pemasaran dan mitigasi risiko secara lebih efektif.Perbedaan atribut antara proses manual dengan perhitungan K-Means bertujuan untuk mendapatkan segmentasi debitur yang lebih mendalam.Atribut seperti hasil usaha, persediaan usaha, dan angsuran pinjaman digunakan untuk menilai kesanggupan bayar debitur, sehingga meningkatkan relevansi hasil pengelompokan.

Untuk penelitian lanjutan, dapat dilakukan pengembangan sistem yang lebih komprehensif dengan mempertimbangkan faktor-faktor lain yang dapat mempengaruhi kelayakan debitur, seperti analisis bisnis dan profil risiko. Selain itu, penelitian ini dapat dieksplorasi lebih lanjut dengan menerapkan teknik-teknik data mining lainnya untuk mengoptimalkan proses pengelompokan debitur dan meningkatkan akurasi hasil. Terakhir, penelitian ini dapat diuji dan diterapkan pada data yang lebih besar dan beragam untuk menguji kehandalan dan efektivitas metode K-Means Clustering dalam menentukan debitur existing penerima pinjaman KUR.

  1. Penerapan Metode K-Means Clustering untuk Menentukan Debitur Existing Penerima Pinjaman KUR | Jurnal... ejournal-unbin.id/index.php/jskom/article/view/58Penerapan Metode K Means Clustering untuk Menentukan Debitur Existing Penerima Pinjaman KUR Jurnal ejournal unbin index php jskom article view 58
Read online
File size477.7 KB
Pages10
DMCAReport

Related /

ads-block-test