Klasifikasi Naïve Bayes pada Machine Learning untuk Rekomendasi Kredit Customer pada KSP

Abstract

Idola Berkah Sejahtera Savings and Loans Cooperative provides money lending services to its members based on lending limit criteria. In the world of finance, especially small institutions such as KSP, fast and accurate credit assessment is very important to reduce the risk of bad credit and increase operational efficiency. The Naïve Bayes algorithm was chosen because of its simplicity and ability to provide competitive results on categorical and numerical data. This research uses a historical dataset that includes demographic information, credit history, and other relevant factors. The research results show that the Naïve Bayes algorithm is able to provide a high level of accuracy in approved and rejected classifications. With the accuracy obtained in this experiment of 0,72 or 72%, Precision 0,73 or 73%, Recall 0,96 or 96%, F1-Score 0,83 or 83%. The implementation of this machine learning model is expected to increase KSP operational efficiency and reduce the risk of credit default.

Abstrak

Koperasi Simpan Pinjam Idola Berkah Sejahtera menyediakan jasa layanan peminjaman uang kepada anggotanya berdasarkan kriteria limit peminjaman. Dalam dunia keuangan, khususnya lembaga-lembaga kecil seperti KSP, penilaian kredit yang cepat dan akurat sangat penting untuk mengurangi resiko kredit macet dan meningkatkan efisiensi operasional. Algoritma Naive bayes dipilih karena kesederhanaannya dan kemampuannya dalam memberikan hasil yang kompetitif pada data yang bersifat kategorikal dan numerik. Penelitian ini menggunakan dataset historis yang mencakup informasi demografis, riwayat kredit, dan faktor-faktor lainnya yang relevan. Hasil penelitian menunjukkan bahwa Algoritma Naive bayes mampu memberikan tingkat akurasi yang tinggi dalam klasifikasi yang disetujui dan ditolak. Dengan akurasi yang diperoleh pada percobaan ini sebesar 0,72 atau sebesar 72%, Precision 0,73 atau 73%, Recall 0,96 atau 96%, F1-Score 0,83 atau 83%. Implementasi model machine learning ini diharapkan dapat meningkatkan efisiensi operasional KSP dan mengurangi resiko gagal bayar kredit.