Prediction of Creditworthiness with Backpropagation Algorithm
Article Sidebar
Main Article Content
Abstract
One of problems in lending activities is credit risk due to errors in selecting debtors. In this study, the backpropagation algorithm will be used to develop a prediction calculation system that uses features such as age, gender, marital status, occupation, income, number of dependents, loan amount, time period, collateral, home ownership, and loan purpose to predict creditworthiness. To determine the accuracy level of built, a model evaluation was conducted. The model evaluation was carried out using a confusion matrix, but before that, the data used was separated by ratio of 80 : 20, namely 80% for training and 20% for testing. With the best hyperparameters from several hyperparameter tuning scenarios, the scenario used for implementation in the system is screnario model 5 with 2 hidden layers (50 and 25 neurons), ReLU activation function, learning rate 0.001, 500 epochs, batch size 64, adam optimizer, and early stopping, resulting in an accuracy of 98.18% and a f1 Score of 98.33%. These values are excelent amd show that system created can be used as a reference in predicting creditworthiness. In addition, these values show that the backpropagation model is free from overfitting.
Article Details
Section
Penulis yang menerbitkan dengan jurnal ini setuju pada persyaratan berikut ini:
- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama, dengan pekerjaan 6 bulan setelah penerbitan secara simultan dengan lisensi di bawah: Creative Commons Attribution License yang memudahkan yang lain untuk berbagi karya dengan pengakuan penerbitan awal dan kepenulisan karya di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non-ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).
How to Cite
References
[1] Kementrian Keuangan, “Undang-Undang Republik Indonesia Nomor 10 Tahun 1998 Tentang Perubahan Atas Undang-Undang Nomor 7 Tahun 1992 Tentang Perbankan,” Lembaran Negara Republik Indones., p. pasal 1 ayat 2, 1998, [Online]. Available: http://www.bphn.go.id/data/documents/98uu010.pdf
[2] B. Y. Wirawan and U. Chotijah, “Sistem Penentuan Kelayakan Debitur Menggunakan Metode Simple Multi Attribute Rating Technique (SMART),” J. Nas. Komputasi dan Teknol. Inf., vol. 7, no. 1, pp. 25–33, Feb. 2024, doi: 10.32672/jnkti.v7i1.7353.
[3] R. N. S. Golonggomo, Y. MZ, and J. E. Bororing, “Sistem Penentuan Kelayakan Pemberian Kredit Rumah Karyawan Dengan Metode Simple Multi Attribute Rating Technique,” J. Inform. Teknol. dan Sains, vol. 7, no. 2, pp. 625–634, May 2025, doi: 10.51401/jinteks.v7i2.5664.
[4] Khusaeri Andesa, Herwin, and Torkis Nasution, “Sistem Pendukung Keputusan Untuk Menentukan Kelayakan Customer Dalam Proses Pengkreditan dengan Metode Scoring System,” SATIN - Sains dan Teknol. Inf., vol. 8, no. 2, pp. 48–57, Nov. 2022, doi: 10.33372/stn.v8i2.884.
[5] E. Mulyati, Kredit Perbankan: Aspek Hukum dan Pengembangan Usaha Mikro Kecil dalam Pembangunan Perekonomian Indonesi. Bandung: Refika Aditama, 2016.
[6] N. Khoirun Nisa, D. Ahkam Sani, and M. Udin, “Prediksi Dini Resiko Penyakit Diabetes Menggunakan Jaringan Syaraf Tiruan Backpropagation,” JATI (Jurnal Mhs. Tek. Inform., vol. 9, no. 5, pp. 9096–9102, Jul. 2025, doi: 10.36040/jati.v9i5.15134.
[7] M. A. Imaduddin, “Prediksi Cuaca Pada Data Time Series Menggunakan Backpropagation Neural Network ( BPNN ),” vol. 10, no. 5, pp. 4873–4879, 2023.
[8] E. Komariah, B. C. Octariadi, and A. C. Siregar, “Penerapan Jaringan Syaraf Tiruan untuk Memprediksi Hasil Produksi Kelapa Sawit Menggunakan Backpropagation,” Jutisi J. Ilm. Tek. Inform. dan Sist. Inf., vol. 12, no. 2, p. 484, Aug. 2023, doi: 10.35889/jutisi.v12i2.1342.
[9] N. N. Amiroh and D. Avianto, “Prediksi Indeks Pembangunan Manusia di Kabupaten Wonosobo Menggunakan Algoritma Backpropagation,” Techno.Com, vol. 22, no. 2, pp. 388–399, May 2023, doi: 10.33633/tc.v22i2.7980.
[10] M. Siahaan, “Prediction of Smooth Rusunawa Rental Payments Using the Backpropagation Algorithm and Decision Tree,” CESS (Journal Comput. Eng. Syst. Sci., vol. 8, no. 2, p. 351, Jul. 2023, doi: 10.24114/cess.v8i2.46862.
[11] B. Prasojo and E. Haryatmi, “Analisa Prediksi Kelayakan Pemberian Kredit Pinjaman dengan Metode Random Forest,” J. Nas. Teknol. dan Sist. Inf., vol. 7, no. 2, pp. 79–89, Sep. 2021, doi: 10.25077/TEKNOSI.v7i2.2021.79-89.
[12] M. Azhima, I. Afrianty, E. Budianita, and S. Kurnia Gusti, “Penerapan Metode Backpropagation Neural Network untuk Klasifikasi Penyakit Stroke,” Media Online), vol. 4, no. 6, pp. 3013–3021, 2024, doi: 10.30865/klik.v4i6.1956.
[13] S. Anggriyani, M. Manuputty, A. Lewaherilla, and L. Bakarbessy, “Prediksi Curah Hujan Di Kota Tual Dengan Menggunakan Metode Backpropagation,” Param. J. Mat. Stat. dan Ter., vol. 3, no. 01, pp. 01–11, Jan. 2024, doi: 10.30598/parameterv3i01pp01-11.
[14] M. I. Raihan, S. N. Budiman, and U. Mawaddah, “Implementasi Backpropagation Untuk Rekomendasi Jurusan Peminatan Mahasiswa Program Studi Teknik Informatika Di Universitas Islam Balitar,” J. Ilm. Sist. Inf. dan Tek. Inform., vol. 7, no. 2, pp. 218–231, 2024, doi: 10.57093/jisti.v7i2.216.
[15] A. Nugroho, Rekayasa Perangkat Lunak Berorientasi Objek dengan Metode USDP. Yogyakarta: Penerbit ANDI, 2010.
[16] S. Ann, “Optimalisasi Seleksi Fitur dengan RFECV dalam Credit Scoring menggunakan ANN,” vol. 10, no. 2, pp. 94–102, 2024.