ANALISIS KREDIT MACET NASABAH MENERAPKAN ALGORITMA K-NEAREST NEIGHBOR

Bank mengumpulkan dan mengalokasikan dana melalui simpanan dan kredit untuk meningkatkan kesejahteraan masyarakat. Tantangan muncul ketika nasabah tidak memenuhi kewajibannya, potensi kredit macet meningkat dengan periode peminjaman yang panjang. Kredit macet merujuk pada situasi di mana bank menghadapi kesulitan dalam mengumpulkan pembayaran cicilan dari pihak debitur karena alasan tertentu. Agar menghindari terjadinya tunggakan pembayaran kredit, seorang analisis kredit perbankan harus membuat keputusan yang akurat dalam menerima atau menolak aplikasi kredit. Menggunakan machine learning bisa menjadi solusi untuk mengurangi risiko kredit bermasalah. Dalam beberapa penelitian, algoritma k-nearest neighbor merupakan salah satu algoritma yang cukup baik akurasinya untuk menganalisis kredit macet yaitu sekitar 85%. Dalam penelitian ini, penulis menggunakan data sekunder yaitu data yang sudah ada dan diambil dari website untuk pengolahan analisis. Jumlah data yang digunakan sebanyak 753 data dengan rincian sebanyak 544 data terdeteksi macet, dan 209 data terdeteksi lancar. Hasil dari penelitian performa algoritma dengan rincian akurasi sebesar 94%, presisi sebesar 96%, recall sebesar 96%, dan f1-score sebesar 96%. Hasil setelah melatih model KNN, model tersebut diterapkan pada dataset baru, memberikan prediksi status kredit yang diklasifikasikan sebagai 'lancar' atau 'macet' dengan nilai biner (0 untuk 'lancar' dan 1 untuk 'macet'). Hasilnya mencakup gambaran klasifikasi status kredit untuk beberapa entitas.