PEMILIHAN FAKTOR TERBAIK MENGGUNAKAN INFORMATION GAIN UNTUK MENINGKATKAN KLASIFIKASI KELAYAKAN MERCHANT

DANDUNG, MUHAMAD IRVAN (2025) PEMILIHAN FAKTOR TERBAIK MENGGUNAKAN INFORMATION GAIN UNTUK MENINGKATKAN KLASIFIKASI KELAYAKAN MERCHANT. S1 thesis, Universitas Mercu Buana - Menteng.

	Text (FULL TA) TALK-41519110136-MUHAMADIRVANDANDUNG - Irvan Dandung.pdf Restricted to Registered users only until 1 February 2025. Download (3MB)
	Text (TANDA TERIMA TU) TTTATU+41519110136+MUHAMADIRVANDANDUNG - MUHAMAD IRVAN DANDUNG - Irvan Dandung.pdf Restricted to Registered users only until 1 February 2025. Download (137kB)

Abstract

Sektor teknologi finansial saat ini berkembang pesat. Pembayaran digital secara signifikan mendorong ekonomi digital. Penyedia Layanan Pembayaran (Payment Service Providers/PSPs) memainkan peran penting dalam menyediakan layanan pembayaran digital dan mengidentifikasi merchant yang layak untuk rekomendasi pinjaman. Data memerlukan analisis lebih lanjut untuk memberikan rekomendasi pinjaman yang akurat. Penelitian ini berfokus pada mendukung pengembangan bisnis merchant, khususnya Usaha Mikro, Kecil, dan Menengah (UMKM), dengan meningkatkan analisis kelayakan pinjaman melalui penggunaan machine learning. Information Gain diterapkan untuk menemukan faktor terbaik dalam mengklasifikasikan kelayakan merchant. Faktor-faktor yang diperoleh kemudian diklasifikasikan menggunakan dua algoritma machine learning, yaitu Naïve Bayes dan K-Nearest Neighbors (KNN). Hasil eksperimen menunjukkan bahwa klasifikasi kelayakan merchant menggunakan Naïve Bayes dan KNN berdasarkan faktor-faktor terpilih yang diperoleh dari Information Gain memiliki akurasi yang lebih baik dibandingkan dengan menggunakan semua faktor. Temuan ini menunjukkan pentingnya pemilihan variabel yang relevan untuk analisis yang lebih akurat. Hasil penelitian ini berkontribusi pada pemahaman tentang aplikasi machine learning dalam pengambilan keputusan finansial, memberikan solusi nyata untuk analisis kelayakan merchant, dan mendukung pertumbuhan ekonomi digital. Currently, the financial technology sector growing rapidly. Digital payments significantly drive the digital economy. Payment Service Providers (PSPs) play a crucial role in offering digital payment services and identifying eligible merchants for loan recommendations. The data need further analysis to get accurate load recommendations. This study focuses on supporting the development of merchant businesses, particularly Micro, Small, and Medium Enterprises (MSMEs), by enhancing loan eligibility analysis through the use of machine learning. Information Gain applied to find the best factors to classify merchant eligibility. The factors obtained were then classified using two machine learning algorithms that are Naïve Bayes and K-Nearest Neighbors (KNN). The experiment result shows that classifying merchant eligibility using naïve Bayes and KNN based on selected factors obtained from information gain has better accuracy than based on all factors. These findings demonstrate the importance of selecting relevant variables for more accurate analysis. The results of this study contribute to the understanding of machine learning applications in financial decision-making, offering real solutions for merchant eligibility analysis and supporting the growth of the digital economy.

Item Type:	Thesis (S1)
NIM/NIDN Creators:	41520110027
Uncontrolled Keywords:	Teknologi Finansial, Analisis Kelayakan Pinjaman, Pembelajaran Mesin, Penyedia Layanan Pembayaran (PSPs), Information Gain Financial Technology, Loan Eligibility Analysis, Machine Learning, Payment Service Providers (PSPs), Information Gain
Subjects:	000 Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 000. Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 004 Data Processing, Computer Science/Pemrosesan Data, Ilmu Komputer, Teknik Informatika
Divisions:	Fakultas Ilmu Komputer > Informatika
Depositing User:	FHADHILAH SHAFA ARISTA
Date Deposited:	31 Jan 2025 08:31
Last Modified:	31 Jan 2025 08:31
URI:	http://repository.mercubuana.ac.id/id/eprint/93804

Actions (login required)

View Item