Abstract
Kredit merupakan elemen yang penting dalam perbankan. Melalui kredit, nasabah dapat menerima pinjaman dana dari bank yang harus dikembalikan pada tenggang waktu tertentu. Pada suatu kasus kredit dapat terjadi suatu kredit macet atau ketidaklancaran pembayaran hutang oleh debitur atau nasabah. Kredit macet dapat disebabkan oleh faktor eksternal seperti krisis moneter, atau faktor internal yaitu kekurangmampuan pihak bank dalam menilai resiko calon debitur. Faktor eksternal sulit dikontrol, sementara faktor internal dapat dikontrol oleh pihak bank. Penelitian ini mengimplementasikan metode Genetic Algorithm K-Nearest Neighbor (GA/KNN) pada pengklasifikasian status resiko kredit debitur. GA/KNN bekerja dengan cara membangun vektor bobot secara acak sebanyak ukuran populasi, kemudian vektor tersebut akan diregenerasikan hingga mencapai vektor bobot terbaik pada suatu kriteria berhenti. Vektor bobot terbaik yang diperoleh selanjutnya akan digunakan sebagai dasar pembobotan dalam pengklasifikasian berbobot untuk pengambilan keputusan. Pengujian dilakukan terhadap vektor bobot terbaik yang telah terbentuk berdasarkan kombinasi nilai probabilitas crossover (PC), probabilitas mutasi (PM), dan ukuran populasi. Pengujian ini menggunakan metode pengujian akurasi yang dilakukan pada 200 data uji yang berbeda dari data latih. Hasil pengujian yang dilakukan menunjukkan tingkat akurasi tertinggi dengan prosentase 65%. Hasil ini diperoleh pada nilai PC sebesar 70%, nilai PM sebesar 30%, dan ukuran populasi sebesar 100.
