Prediksi Penerimaan Kredit Sepeda Motor Baru Dengan Menggunakan General Regression Neural Network

Main Article Content

Tommi Alfian Armawan Sandi Sujiliani Heristian Ilham Nur Leksono

Abstract

Peminatan kendaraan terutama kendaraan bermotor semakin meningkat menurut data yang terakhir dihimpun hampir setengah dari jumlah penduduk Indonesia merupakan jumlah kendaraan yang ada. Perilaku masyarakat indonesia yang konsuntif terhadap kendaraan pribadi berakibat pada peminatan pembelian sepeda motor. Dealer maupun agen penyedia kendaraan bermotor menyiasati situasi ini dengan menerapkan pelunasan dengan cara kredit. Penelitian ini bertujuan untuk memprediksi penerimaan kredit sepeda motor baru dengan menggunakan metode General Regression Neural Network. Data yang ada dilakukan normalisasi dengan menghitung rata-rata dan menghitung standar deviasi untuk mengukur jumlah variasi atau sebaran jumlah nilai data, kemudian dilakukan perhitungan MSE untuk mencari nilai sigma terendah lalu diuji dengan data latih.


 


Kata kunciMean, standar deviasi, GRNN, MSE

Article Details

How to Cite
Armawan Sandi, T., Heristian, S., & Leksono, I. (2020). Prediksi Penerimaan Kredit Sepeda Motor Baru Dengan Menggunakan General Regression Neural Network. ICIT Journal, 6(2), 173-182. https://doi.org/https://doi.org/10.33050/icit.v6i2.1109
Section
Articles

References

[1] Sketsanews.com, “Berapa Jumlah Kendaraan Motor Indonesia ?,” Sketsanews.com, 2019.
[2] Tim VIVA, “Jumlah Motor di Indonesia, Separuh Populasi Penduduknya,” Viva News, Jakarta, 2019.
[3] kata data, “Jumlah Penduduk Indonesia 2019 Mencapai 267 Juta Jiwa,” Jakarta, 04-Jan-2019.
[4] J. Junaidi, K. Tiara, and N. Dwi Yuliastrie, “Sistem Pakar Monitoring Inventory Control Untuk Menghitung Harga Jual Efektif Dalam Meningkatkan Keuntungan,” in Seminar Teknik Informatika (STI), 2013.
[5] G. Kumar and H. Malik, “Generalized Regression Neural Network Based Wind Speed Prediction Model for Western Region of India,” Procedia Comput. Sci., vol. 93, no. September, pp. 26–32, 2016.
[6] R. E. Caraka, H. Yasin, and A. Prahutama, “Pemodelan General Regression Neural Network ( Grnn ) Dengan Pemodelan General Regression Neural Network ( Grnn ) Dengan Peubah Input Data Return Untuk,” Trust. Digit. Indentitiy Intell. Syst., no. June 2015, pp. 283–288, 2014.
[7] I. . Basheer and M. Hajmeer, “Artificial neural networks: fundamentals, computing, design, and application,” J. Microbiol. Methods, vol. 43, no. 1, pp. 3–31, 2000.
[8] K. Y. Lee, N. Chung, and S. Hwang, “Application of an artificial neural network (ANN) model for predicting mosquito abundances in urban areas,” Ecol. Inform., vol. 36, pp. 172–180, 2016.
[9] D. F. Specht, “A general regression neural network,” IEEE Trans. Neural Networks, vol. 2, no. 6, 1991.
[10] A. J. Al-Mahasneh, S. G. Anavatti, and M. A. Garratt, “Review of Applications of Generalized Regression Neural Networks in Identification and Control of Dynamic Systems,” Cornell Univ., 2018.