IMPLEMENTASI KLASIFIKASI NAIVE BAYES UNTUK PREDIKSI KELAYAKAN PEMBERIAN PINJAMAN PADA KOPERASI ANUGERAH BINTANG CEMERLANG
DOI:
https://doi.org/10.30656/prosisko.v7i1.2129Abstract
Pendapatan utama yang diperoleh koperasi ditentukan oleh besarnya jumlah angsuran yang dibayar oleh nasabah, sedangkan permasalahan yang sering dihadapi adalah banyaknya nasabah yang menunggak dalam membayar angsuran bahkan tidak jarang nasabah yang kabur sehingga menjadi piutang tak tertagih yang pada akhirnya menyebabkan kerugian. Hal tersebut terjadi akibat kurang akuratnya manajemen dalam menentukan pemohon mana yang layak dan tidak layak diberikan pinjaman. Oleh karena itu, penulis menerapkan metode data mining untuk mengklasifikasikan kelayakan nasabah dalam kategori layak dan tidak layak berdasarkan data historis nasabah di masa sebelumnya, kemudian digunakan dalam memprediksi kelayakan nasabah di masa depan, yaitu dengan algoritma Naïve Bayes. Penulis menggunakan aplikasi RapidMiner 8.1 untuk menguji tingkat akurasi algoritma tersebut. Pengujian dilakukan dengan menyiapkan data training sebanyak 438 dan data testing sebanyak 146 data yang diambil dari database nasabah di tahun 2015. Hasil pengujian akurasi yang didapat menggunakan aplikasi RapidMiner maupun perhitungan manual dengan empat kali proses diperoleh akurasi tertinggi yaitu 78.08% dengan presentase eror 21.92 %. Jadi, dapat disimpulkan bahwa Algoritma Naïve Bayes dapat diterapkan untuk memprediksi kelayakan pemberian pinjaman pada Koperasi Anugerah Bintang Cemerlang.
Â
Kata Kunci: Data Mining, Kelayakan Pinjaman, Klasifikasi, Naïve BayesReferences
Arifin, T. (2018). Berani Jadi Pengusaha Sukses Usaha dan Raih Pinjaman (I). Jakarta: PT. Gramedia Pustaka Utama.
Bustami. (2014). Penerapan Algoritma Naive Bayes Untuk Nasabah Asuransi. Jurnal Informatika, 8(1), 884–898.
Dahri, D., Agus, F., & Khairina, D. M. (2016). Metode Naive Bayes Untuk Penentuan Penerima Beasiswa Bidikmisi Universitas Mulawarman. Jurnal Informatika Mulawarman, 11(2), 29–35.
Elyana, I. (2017). Decision Support System untuk Kelayakan Pemberian Kredit Motor dengan Menggunakan Metode Simple Additive Weighting pada Perusahaan Leasing. Jurnal Pilar Nusa Mandiri, 13(1), 85–91. Retrieved from http://ejournal.nusamandiri.ac.id/ejournal/index.php/pilar/article/view/341/273
Faisal, M. R. (2017). Seri Belajar Data Science Klasifikasi dengan Bahasa Pemograman R. Banjarmasin: Indonesia Net Developer Community. Retrieved from https://play.google.com/books/reader?id=svXUDQAAQBAJ&hl=id&printsec=frontcover&pg=GBS.PA66
Hermawati, F. A. (2013). Data Mining. (P. Christian, Ed.) (1st ed.). Yogyakarta: CV ANDI OFFSET.
Madyatmadja, E. D., & Aryuni, M. (2014). Comparative Study Of Data Mining Model For Credit Card Application Scoring In Bank. Journal of Theoretical and Applied Information Technology, 59(2), 269–274. Retrieved from http://pdfs.semantikscholar.org
Muflikhah, L., Ratnawati, D. E., & Putri, R. R. Ma. (2018). Data Mining (1st ed.). Malang: UB Press.
Pandie, E. S. Y. (2018). Implementasi Algoritma Data Mining Naive Bayes Pada Koperasi. J-ICON, 6(1), 15–20.
Saleh, A. (2015). Implementasi Metode Klasifikasi Naïve Bayes Dalam Memprediksi Besarnya Penggunaan Listrik Rumah Tangga. Citec Journal, 2(3), 207–217.
Suyanto. (2017). Data Mining Untuk Klasifikasi Dan Klasterisasi Data (1st ed.). Bandung: INFORMATIKA.
Wahyuni, S., S, K. S., & Perangin-Angin, M. I. (2017). Implementasi Rapidminer Dalam Menganalisis Data Mahasiswa Drop Out, 10(2), 1899–1902. https://doi.org/10.1002/pmic.201000579
Wasiati, H., & Wijayanti, D. (2014). Sistem Pendukung Keputusan Penentuan Kelayakan Calon Tenaga Kerja Indonesia Menggunakan Metode Naive Bayes. IJINS - Indonesian Journal on Networking and Security, 3(2), 45–51.
