PENERAPAN NAÃVE BAYES UNTUK PREDIKSI KELAYAKAN KREDIT
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
Dalam dunia perbankan, pemberian kredit kepada nasabah adalah kegiatan rutinyang mempunyai resiko tinggi. Dalam pelaksanaannya, kredit yang bermasalah (kredit macet) sering terjadi akibat analisis kredit yang tidak hati-hati atau kurang cermat dalam proses pemberian kredit, maupun dari karakter nasabah yang tidak baik. Untuk mencegah terjadinya kredit macet , diperlukan adanya peramalan akurat yang salah satunya menggunakan teknologi di bidang data mining. Dengan menggunakan teknologi di bidang data mining yang mengoptimasi proses pencarian informasi prediksi dalam basis data yang besar, serta menemukan pola-pola yang tidak diketahui sebelumnya . Naïve Bayes memprediksi probabilitas di masa depan berdasarkanpengalaman di masa sebelumnya d engan mempelajari korelasi hipotesis yang merupakan label kelas yang menjadi target pemetaan dalam klasifikasi dan evidence yang merupakan fitur-fitur yang menjadi masukan dalam model klasifikasi. P engolahan data berbasis data mining tersebut diharapkan dapat digunakan sebagai alat bantu dalam memprediksikan kelayakan kredit yang memperkirakan layak atau tidaknya pemohon atau nasabah untuk diberikan kredit.  Kata kunci : Data Mining, Naïve Bayes, Prediksi kelayakan kredit
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.005 |
| Open science | 0.004 | 0.002 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 0.004 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it