BAB II.

PENDAHULUAN

1.1. Latar Belakang

Kredit bagi masyarakat bukanlah masalah yang asing, Kredit merupakan salah satu
pembiayaan sebagian besar dari kegiatan ekonomi dan sumber dana yang penting untuk
setiap jenis usaha. Sebelum dimulainya pemberian kredit kepada nasabah diperlukan suatu
mengidentifikasi dan memprediksi yang baik dan seksesama terhadap semua aspek
perkreditan yang dapat menunjang proses pemberian kredit, guna mencegah timbulnya
masalah resiko kredit.

Setiap tahunnya industri perbankan mengalami peningkatan nasabah untuk kredit.

Maka dari itu dalam menghadapi masalah resiko kredit yang dialami oleh Industri perbankan
saat ini salah satunya dapat diatasi dengan mengidentifikasi dan memprediksi nasabah
dengan baik sebelum memberikan pinjaman dengan cara memperhatikan data historis
pinjaman. Oleh karena itu klasifikasi resiko kredit dalam perbankan memiliki peran yang
penting. Apabila pengklasifikasian resiko kredit mengalami kesalahan, maka salah satu
dampak yang ditimbulkan adalah kredit macet. Kredit macet dapat menyebabkan
kebangkrutan pada bank.

Dalam mengelola data nasabah untuk memprediksi kelayakan dalam pengajuan kredit
menggunakan algoritma Logistic Regression, Metode yang biasanya digunakan untuk
memetakan nasabah disebut metode klasifikasi. Pengklasifikasian seperti ini sering disebut
dengan istilah Data Mining atau Knowledge Discovery in Database (KDD). Keluaran dari
Data Mining ini bisa digunakan untuk memperbaiki pengambilan keputusan di masa depan.
Salah satu penerapan Data Mining di dunia perbankan saat ini adalah Credit Scoring. Credit
Scoring merupakan alat statistik yang digunakan oleh perusahaan perbankan serta lembaga
keuangan lainnya, pemasaran dan perusahaan iklan untuk memperkirakan kemungkinan
apakah pemohon pinjaman bisa dikategorikan sebagai potensi yang baik atau tidak. Beberapa
model statistik yang dikembangkan untuk kepentingan Credit Scoring adalah Regresi
Logistik dan Multicriteria Decision, Discriminant Analysis, Neural Network dan Support
Vector Machine. Pengembangan metode NN untuk kasus Credit Scoring saat ini mulai pesat,
seperti contohnya pada tahun 2006 telah dilakukan penelitian oleh Sarlija dkk. dengan
metode Regresi Logistik, Survival Analysis and Neural Network.
 Yang membedakan penelitian ini adalah penulis mengambil studi kasus dalam
memprediksi Kelayakan Nasabah Dalam Pengajuan Kredit Menggunakan Algoritma Logistic
Regression.

1.2. Rumusan Masalah

Berdasarkan latar belakang di atas, maka rumusan masalah yang dapat diambil adalah
seberapa besar tingkat akurasi perhitungan algoritma Logistic Regression. dalam
memprediksi kelayakan dalam pengajuan kredit.

1.3. Batasan Masalah

Permasalahan yang dibahas pada penelitian ini memiliki beberapa batasan sebagai berikut :

1. Penelitian ini hanya digunakan untuk memprediksi kelayakan dalam pengajuan kredit.
2. Output yang dihasilkan merupakan hasil akurasi seleksi prediksi.

1.4. Tujuan
Tujuan dari dilakukaannya penelitian dengan judul “
1.5. Manfaat

1.4. Tujuan

Tujuan dari dilakukaannya penelitian dengan judul “Prediksi Tingkat Kelulusan

Mahasiswa Dalam Program Student Exchange Menggunakan Algoritma KNearest Neighbor
(K-NN)”, adalah sebagai berikut: 1. Membuat perhitungan akurasi tingkat kelulusan dalam
program secara efektif, 2. mengklasifikasikan data-data menggunakan metode K-Nearest
Neighbor dengan sangat mudah dan efisien . 3. Meningkatkan skema penyeleksian calon
peserta program Student Exchange sendiri, sehingga mengurangi terjadinya error.

1.5. Manfaat

Manfaat yang didapatkan dari penelitian ini adalah memudahkan dalam memprediksi
hasil penyeleksian calon peserta yang mengikuti program Student Exchange dan membantu
instansi dalam membuat syarat dan ketentuan. Sehingga, mengurangi kesalahan dalam
penerimaan.