PERBANDINGAN MULTIPLE ALGORITMA UNTUK KLASIFIKASI PERSETUJUAN KREDIT PADA BANK PERKREDITAN RAKYAT (BPR)

• SYARIFUDIN HERDYANSYAH
• 14002271

---

ABSTRAK

ABSTRAK

 

Nama               : Syarifudin Herdyansyah

NIM                 : 14002271

Program Studi : Ilmu Komputer

Jenjang            : Program Magister (S2)

Konsentrasi     : Data Mining

Judul                : Perbandingan Multiple Algortima Untuk Klasifikasi Persetujuan

   Kredit Pada Bank Perkreditan Rakyat (BPR)

 

Kredit adalah salah satu hal terpenting yang dijalankan oleh suatu bank, khususnya oleh Bank Perkreditan Rakyat (BPR). Untuk itu, sangat penting dalam mengambil keputusan dari kredit yang diajukan, apakah diterima atau tidak kredit tersebut. Analisa dari suatu permohonan kredit, selama ini dilakukan secara manual, yang secara tidak langsung dapat terjadi kesalahan atau human error, sehingga mengakibatkan kredit macet nantinya. Dengan menggunakan teknik data mining, dapat dilakukan analisa dari kredit yang diajukan, di mana dengan memanfaatkan data kredit yang masih aktif, dapat diolah untuk memprediksi suatu kredit yang diajukan, apakah termasuk ke dalam kredit lancer atau macet. Dari perbandingan algoritma dalam data mining yang digunakan, yakni algoritma Naïve Bayes, SVM dan Decision Tree, dalam klasifikasi persetujuan kredit pada Bank Perkreditan Rakyat (BPR), menghasilkan algoritma Decision Tree adalah yang terbaik, dengan nilai akurasi sebesar 83,90%, diikuti oleh SVM sebesar 81,00% dan Naïve Bayes sebesar 78,70%.

 

Kata Kunci: Kredit, Data Mining, Naïve Bayes, SVM, Decision Tree.

KATA KUNCI

Data Mining,multiple,Algoritma

---

DAFTAR PUSTAKA

DAFTAR REFERENSI

 

[1]      F. Ardela, “Pahami Definisi Kredit, Jenis Kredit, Hingga Prinsip Kredit,” 2020. [Online]. Available: https://www.finansialku.com/definisi-kredit/. [Accessed: 03-Jan-2021].

[2]      M. Sudhakar, C. V. K. Reddy, and A. Pradesh, “Two Step Credit Risk Assesment Model For Retail Bank Loan Applications Using Decision Tree Data Mining Technique Research Scholar,” vol. 5, no. 3, 2016.

[3]      N. Nurajijah and D. Riana, “Algoritma Naïve Bayes, Decision Tree, dan SVM untuk Klasifikasi Persetujuan Pembiayaan Nasabah Koperasi Syariah,” J. Teknol. dan Sist. Komput., vol. 7, no. 2, pp. 77–82, 2019.

[4]      M. Hasan, “Prediksi Tingkat Kelancaran Pembayaran Kredit Bank Menggunakan Algoritma Naive Bayes Berbasis Berbasis Forward Selection,” Ilk. J. Ilm., vol. 9, pp. 317–324, 2017.

[5]      E. P. W. Mandala and D. E. Putri, “Prediksi Jumlah Pemberian Kredit Kepada Nasabah Di Bank Perkreditan Rakyat Dengan Algoritma C 4.5,” vol. 5, no. 1, pp. 70–80, 2018.

[6]      Kusrini and E. T. Luthfi, Algoritma Data Mining.pdf. Yogyakarta: Andi Offset, 2009.

[7]      R. T. Wulandari, Data Mining Teori dan Aplikasi Rapidminer. Yogyakarta: Gava Media, 2017.

[8]      H. Jiawei, K. Micheline, and P. Jian, Data Mining Concepts And Techniques, Third Edit. Waltham: Morgan Kaufmann, 2012.

[9]      Z. Budy Santoso, Azminuddin Azis, Machine Learning & Reasoning Fuzzy Logic Algoritma, Manual, Matlab & Rapid Miner, Pertama. Sleman: Deepublish, 2020.

[10]    D. Nofriansyah, K. Erwansyah, and M. Ramadhan, “Penerapan Data Mining dengan Algoritma Naive Bayes Clasifier untuk Mengetahui Minat Beli Pelanggan terhadap Kartu Internet XL ( Studi Kasus di CV. Sumber Utama Telekomunikasi),” J. Saintikom, vol. 15, no. 2, pp. 81–92, 2016.

[11]    D. I. Pusphita Anna Octaviani, Yuciana Wilandari, “Penerapan Metode Klasifikasi Support Vector Machine (SVM) Pada Data Akreditasi Sekolah Dasar (SD) Di Kabupaten Magelang,” J. GAUSSIAN, vol. 3, no. 4, pp. 811–820, 2014.

[12]    Samsudiney, “Penjelasan Sederhana tentang Apa Itu SVM?,” https://medium.com/, 2019. [Online]. Available: https://medium.com/@samsudiney/penjelasan-sederhana-tentang-apa-itu-svm-149fec72bd02. [Accessed: 03-Jan-2021].

[13]    N. D. G. Vadivu, “Big Data Analytics for Gold Price Forecasting Based on Decision Tree Algorithm and Support Vector Regression (SVR),” Int. J. Sci. Res., vol. 4, no. 3, pp. 2026–2030, 2015.

[14]    C. M. Sitorus, “K-Fold Cross Validation Secara Singkat,” medium, 2020. [Online]. Available: https://cmemorys.medium.com/k-fold-cross-validation-secara-singkat-30f8e5188f46. [Accessed: 18-Jan-2021].

[15]    K. S. Nugroho, “Confusion Matrix untuk Evaluasi Model pada Supervised Learning,” Medium, 2019. [Online]. Available: https://medium.com/@ksnugroho/confusion-matrix-untuk-evaluasi-model-pada-unsupervised-machine-learning-bc4b1ae9ae3f. [Accessed: 18-Jan-2021].

[16]    A. M. Khalimi, “Pengujian Data Menggunakan Confusion Matrix,” PEN.S, 2020. [Online]. Available: https://www.pengalaman-edukasi.com/2020/01/confusion-matrix.html. [Accessed: 18-Jan-2021].

[17]    K. Hastuti, “Analisis Komparasi Algoritma Klasifikasi Data Mining Untuk Prediksi Mahasiswa Non Aktif,” Semin. Nas. Teknol. Inf. Komun. Terap., pp. 241–249, 2012.

[18]    O. J. Keuangan, “Bank Perkreditan Rakyat,” 2017. [Online]. Available: https://www.ojk.go.id/id/kanal/perbankan/Pages/Bank-Perkreditan-Rakyat.aspx.

[19]    D. Aprilia, D. Aji Baskoro, L. Ambarwati, and I. W. S. Wicaksana, “Belajar Data Mining Dengan Rapid Minner,” p. 139, 2013.

[20]    Ivandari, “Model Pohon Keputusan Untuk Klasifikasi Persetujuan Kredit,” J. Litbang Kota Pekalongan, vol. 9, pp. 124–136, 2015.

[21]    W. Chen, G. Xiang, Y. Liu, and K. Wang, “Credit risk Evaluation by hybrid data mining technique,” Syst. Eng. Procedia, vol. 3, pp. 194–200, 2012.

[22]    Y. Wang, Y. Zhang, Y. Lu, and X. Yu, “A Comparative Assessment of Credit Risk Model Based on Machine Learning ——a case study of bank loan data,” Procedia Comput. Sci., vol. 174, pp. 141–149, 2020.

[23]    I. G. N. N. Mandala, C. B. Nawangpalupi, and F. R. Praktikto, “Assessing Credit Risk: An Application of Data Mining in a Rural Bank,” Procedia Econ. Financ., vol. 4, no. Icsmed, pp. 406–412, 2012.

[24]    Z. Tian, J. Xiao, H. Feng, and Y. Wei, “Credit Risk Assessment based on Gradient Boosting Decision Tree,” Procedia Comput. Sci., vol. 174, pp. 150–160, 2020.

[25]    M. Siti, “Komparasi Algoritma Klasifikasi Data Mining untuk Evaluasi Pemberian Kredit,” Bina Insa. Ict J., vol. 3, no. 1, pp. 187–193, 2016.

[26]    S. Wahyuningsih and D. R. Utari, “Perbandingan Metode K-Nearest Neighbor , Naive Bayes dan Decision Tree untuk Prediksi Kelayakan Pemberian Kredit,” Konf. Nas. Sist. Inf. 2018, pp. 619–623, 2018.