ANALISIS KLASIFIKASI CREDIT SCORING MENGGUNAKAN WEIGHTED PROBABILISTIC NEURAL NETWORK (WPNN)

Abstract

Credit Scoring merupakan salah satu metode yang digunakan untuk menilai kelayakan dan memprediksi lebih awal adanya potensi kredit macet dari calon nasabah kredit. Dalam analisis kasifikasi Credit Scoring dapat menggunakan Weighted Probabilistic Neural Network (WPNN). Neural Network (NN) dikembangkan sebagai model matematika dengan prinsip kerja yang menyerupai pola pikir atau jaringan syaraf pada mahluk hidup. WPNN merupakan pengembangan daripada metode PNN dengan menambahkan faktor pembobot antara pattern layer dan summation layer. Metode ini memiliki kelebihan dalam mengatasi permasalahan yang terdapat pada Back-Propagation (BP) yaitu dapat mengatasi waktu pelatihan (training) yang lama, terjebak pada global minimum, serta sulitnya perancangan arsitektur jaringan. Pemilihan Klasifikasi dilakukan dengan melihat nilai Apparent Error Rate (APER) yang terkecil, yang dibagi kedalam nilai APER untuk Training dan Testing. Nilai APER training sebesar 0.0003 dan testing sebesar 0.0395 yang merupakan nilai APER terkecil, maka bobot yang terpilih dengan nilai bobot atau spread sebesar 0.8.