View Item 
      •   IPB Repository
      • Dissertations and Theses
      • Undergraduate Theses
      • UT - Faculty of Mathematics and Natural Sciences
      • UT - Statistics and Data Sciences
      • View Item
      •   IPB Repository
      • Dissertations and Theses
      • Undergraduate Theses
      • UT - Faculty of Mathematics and Natural Sciences
      • UT - Statistics and Data Sciences
      • View Item
      JavaScript is disabled for your browser. Some features of this site may not work without it.

      K1asifikasi Debitur untuk KPR Bank X dengalll Regresi Logistik Biner dan Artificial Neural Networks.

      Thumbnail
      View/Open
      BAB I (333.5Kb)
      BAB II (500.1Kb)
      BAB III (395.5Kb)
      BAB IV (460.9Kb)
      BAB V (356.4Kb)
      Cover (291.9Kb)
      Daftar Pustaka (304.0Kb)
      full text (1.136Mb)
      Lampiran (511.0Kb)
      Ringkasan (304.8Kb)
      Date
      2009
      Author
      Irsyadinnas
      Wigena, Ali Hamim
      Rahman, La Ode Abdul
      Metadata
      Show full item record
      Abstract
      Salah satu jenis kredit yang banyak ditawarkan oleh bank saat ini ialah Kredit Pemilikan Rumah (KPR) atau biasa disebut Mortgage. Mortgage adaIah utang untak membeli properti yang digunakan sebagai jaminan. Peminjaman mortgage ada 2 jenis, yaitu prime mortgage dan suhprime mortgage. Prime mortgage biasanya diberikan kepada peminjam yang memiliki sejarah kredit yang baik misalnya tidal< pernah bangkrut dalam usaha atau bisnisnya, tidal< terlambat membayar cicilan, dapat menunjukkan kapasitas untuk membayar kembali utanguya, sedangkan sub prime mortgage diberikan kepada peminjam yang tidal< memenuhi persyaratan ini atau dengan kata lain sejarah transaksinya jelek. PeneIitian ini diharapkan mampu mengbasilkan model yang bisa mengidentifikasi dan membedakan secara jelas calon debitur yang mengajukan kredit, dalam hal ini ialah KPR, sehingga bisa meminimumkan bahkan mengbilangkan kasus sub prime mortgage. Hasil analisis menunjukkan tingkat kesalaban dari model ANN sebesar 3.79"10 untak data training dan 4.57% untuk data vaIidasi. Sedangkan hasil prediksi model regresi logistik memberikan tingkat kesalahan yang lebih besar dari model ANN, yaitu sebesar 9.48% untuk data training dan 10.34% untak data validasi, sehingga dapat disimpulkan bahwa model ANN lebih baik dibandingkan dengan model regresi logistik untak kasus Kredit Pemilikan Rumah (KPR) padaBankX.
      URI
      http://repository.ipb.ac.id/handle/123456789/60040
      Collections
      • UT - Statistics and Data Sciences [1270]

      Copyright © 2020 Library of IPB University
      All rights reserved
      Contact Us | Send Feedback
      Indonesia DSpace Group 
      IPB University Scientific Repository
      UIN Syarif Hidayatullah Institutional Repository
      Universitas Jember Digital Repository
        

       

      Browse

      All of IPB RepositoryCollectionsBy Issue DateAuthorsTitlesSubjectsThis CollectionBy Issue DateAuthorsTitlesSubjects

      My Account

      Login

      Application

      google store

      Copyright © 2020 Library of IPB University
      All rights reserved
      Contact Us | Send Feedback
      Indonesia DSpace Group 
      IPB University Scientific Repository
      UIN Syarif Hidayatullah Institutional Repository
      Universitas Jember Digital Repository