PENENTUAN KELAYAKAN KREDIT USAHA RAKYAT PADA BANK SUMSEL BABEL CABANG PEMBANTU SIMPANG SENDER MENGGUNAKAN NAÏVE BAYES CLASSIFIER BERBASIS PARTICLE SWARM OPTIMIZATION

Penelitian ini bertujuan meningkatkan akurasi penentuan kelayakan kredit di Bank Sumsel Babel Cabang Pembantu Simpang Sender. Fokusnya adalah mengatasi masalah kredit macet dan kurang optimalnya analisis kredit. Menggunakan algoritma Naive Bayes Classifier sebagai dasar, penelitian ini mengintegrasikan Particle Swarm Optimization (PSO) untuk mengoptimalkan bobot atribut. Metode ini diterapkan pada dataset kredit dengan pembagian data training dan testing, dan hasilnya dievaluasi menggunakan metrik akurasi, precision, recall, dan confusion matrix. Hasil penelitian menunjukkan peningkatan signifikan dalam akurasi model setelah dioptimalkan dengan PSO. Akurasi tertinggi diperoleh pada skenario pembagian data 90:10 dengan nilai 86.05%, sedangkan setelah dioptimalkan dengan PSO, akurasi meningkat menjadi 88.37%. Integrasi PSO membuktikan efektivitasnya dalam meningkatkan ketepatan model dalam penentuan kelayakan kredit. Temuan ini memiliki implikasi positif dalam meningkatkan efisiensi dan keakuratan dalam proses analisis kredit pada Bank Sumsel Babel Cabang Pembantu Simpang Sender.