Koperasi Simpan Pinjam Mekar Jaya Kantor Cabang Luragung merupakan koperasi yang menyediakan layanan simpanan dan pinjaman bagi masyarakat di wilayahnya. Namun, seiring dengan peningkatan jumlah nasabah dan kebutuhan akan pinjaman, koperasi dihadapi dengan adanya kasus kredit macet. Kelayakan penerima kredit merupakan salah satu faktor sulit yang perlu diperhatikan oleh koperasi untuk meminimalkan risiko kredit macet. Untuk mengetahui risiko kredit nasabah, saat ini koperasi mengandalkan metode The Five C’s of Credit (5C) secara subjektif dengan menilai Character, Capacity, Capital, Collateral, dan Condition of Economy nasabah. Hal ini dapat memakan waktu, dan rawan kesalahan.
Penelitian ini bertujuan untuk membangun sebuah website prediksi risiko kredit nasabah dengan mengimplementasikan algoritma Naïve Bayes sehingga koperasi dapat menilai risiko kredit nasabah secara lebih objektif dan akurat. Website ini dibangun menggunakan metode pengembangan sistem Prototype, dengan bahasa pemrograman JavaScript, framework NEXT.JS, dan database MySQL.
Data yang digunakan mencakup 500 data kredit nasabah, yang terdiri dari atribut status pernikahan, pendapatan, jenis pinjaman, nominal pinjaman, angsuran, jangka waktu, dan jaminan. Data dibagi menjadi data training sebanyak 350 data dan data testing sebanyak 150 data. Algoritma Naïve Bayes yang diterapkan pada website ini menunjukkan performa yang sangat baik, dengan tingkat akurasi mencapai 98%.

Koperasi Simpan Pinjam Mekar Jaya in Luragung is a cooperation that provides savings and loan services to the community in its area. However, with the increasing number of customers and the growing demand for loans, it faces the issue of bad debt. Creditworthiness is one of the challenging factors that needs to be considered in order to minimize the risk of bad debt. To assess customer credit risk, it currently relies on the subjective method of The Five C’s of Credit (5C), which evaluates the Character, Capacity, Capital, Collateral, and Condition of Economy of the customers. This process can be time-consuming and prone to errors.
This research aims to develop a website to predict customer credit risk by implementing the Naïve Bayes algorithm, enabling the cooperative to assess credit risk more objectively and accurately. The website is built using the Prototype system development method, with JavaScript programming language, NEXT.JS framework, and MySQL for database.
The data used includes 500 customer credit records, consisting of attributes such as marital status, income, loan type, loan amount, instalment amount, instalment duration, and collateral. The data is divided into 350 training data and 150 testing data. The Naïve Bayes algorithm implemented on this website demonstrates excellent performance, with an accuracy rate of 98%.