Komparasi Algoritma Klasifikasi Data Mining untuk Evaluasi Pemberian Kredit

  • Siti Masripah

Abstract

Abstrak: Kredit adalah penyediaan uang atau tagihan yang dapat dipersamakan dengan itu, berdasarkan persetujuan pinjam meminjam antara bank dengan pihak lain yang mewajibkan pihak peminjam melunasi hutangnya setelah jangka waktu tertentu dengan pemberian bunga, pada koperasi permasalahan kredit merupakan permasalahan manajemen, dimana jika banyak nasabah yang menunggak dalam pembayaran maka akan mengganggu system keuangan yang ada, untuk itulah penelitian ini menerapkan proses analisa kredit nasabah terlebih dahulu sebelum diambil sebuah keputusan pemberian kredit, analisa keputusan memberikan kredit menggunakan algoritma klasifikasi C4.5 dan Naïve Bayes dimana kedua algoritma tersebut dilakukan penilaian, mana algoritma yang paling akurat dalam menganalisa kemampuan nasabah dalam membayar kredit, analisa berdasarkan data history. Hasil yang didapatkan dari perbandingan kedua algoritma tersebut, bahwa tingkat akurasi yang lebih baik adalah menganalisa menggunaka algoritma klasifikasi C4.5 yaitu 88.90 % sedangkan untuk tingkat akurasi menggunakan algortima klasifikasi Naïve Bayes yaitu 80.00%.

Kata kunci: c4.5, klasifikasi, naïve bayes

Abstract: Credit is the provision of cash or the equivalent, based on the agreement between bank lending and other parties who require the borrower to pay off debts after a certain period of time with interest, of the cooperative credit problems are management problems, whereby if a lot of customers in arrears payment it will disrupt the existing financial system, for why this study apply customer credit analysis process before taken a decision to grant credit, provide credit decision analysis using the algorithm C4.5 and Naïve Bayes classification where the algorithms are done votes, where the algorithm the most accurate in analyzing the ability of customers to pay for the credit, an analysis based on the data history. Results obtained from the comparison of the two algorithms are, that level of accuracy is even better is to analyze menggunaka C4.5 classification algorithm that is 88.90% while the level of accuracy using Naïve Bayes classification algorithm is 80.00%.

Keywords: clasification, c4.5, naïve bayes

References

Dawson CW. 2009. Project in Computing and Information Systems a Student’s Guide. England: Addison Wesley

Hastuti K. 2012. Analisis Komparasi Algoritma Klasifikasi Data Mining Untuk Prediksi Mahasiswa Non Aktif. Seminar Nasional Teknologi Informasi & Komunikasi Terapan (Semantik 2012). Semarang.

Lai KK, Yu L, Zhou L,Wang S. 2006. Credit Risk Evaluation With Least Square Support Vector Machine.

Larose DT. 2005. Discovering Knowledge In Data. Canada: Wiley-Interscience

Swastina L. 2013. Penerapan Algoritma C4.5 Untuk Penentuan Jurusan Mahasiswa. Jurnal GEMA AKTUALITA, Vol. 2 No. 1, Juni 2013.

Masripah S. 2014. Application Determination of Credit Feasibility in Sharia Cooperative with C4.5 Algorithm.Seminar Internasional ISIT 2014 Proceedings Bulan Oktober 2014 ISBN 978-602-99213-8-0.

Kusumadewi S. 2009. Klasifikasi Status Gizi Menggunakan Naive Bayesian ClassificatioN. CommIT, Vol. 3 No. 1 Mei 2009, hlm. 6 – 11

Susanto S, Suryadi D. 2010. Pengantar Data Mining Menggali Pengetahuan dari Bongkahan Data. Yogyakarta : C.V Andi Offset

Undang-undang Republik Indonesia Nomor 10 tahun 1998 tentang Perubahan atas Undang-undang nomor 7 tahun 1992 tentang Perbankan

Yu L, Chen G, Koronios A, Zhu S, Guo X. 2007. Application and Comparison of Classification Techniques in Controlling Credit Risk. World Scientific, 111

Julianto WA. Yunitarini R, Sophan MK. 2014. Algoritma C4.5 Untuk Penilaian Kinerja Karyawan. Universitas Trunojoyo Madura. SCAN VOL. IX NOMOR 2 JUNI 2014 ISSN : 1978-0087
Published
2016-06-01
How to Cite
MASRIPAH, Siti. Komparasi Algoritma Klasifikasi Data Mining untuk Evaluasi Pemberian Kredit. Bina Insani ICT Journal (OLD), [S.l.], v. 3, n. 1, p. 187 - 193, june 2016. ISSN 2527-9777. Available at: <http://ejournal-binainsani.ac.id/index.php/BIICTJ/article/view/41>. Date accessed: 12 dec. 2019.