OPTIMASI ALGORITMA C4.5 MENGGUNAKAN METODE FORWARD SELECTION DAN STRATIFIED SAMPLING UNTUK PREDIKSI KELAYAKAN KREDIT

  • Ibnu Ubaedi Universitas Pamulang
  • Yan Mitha Djaksana Universitas Pamulang
Abstract views: 1136 , PDF downloads: 1126

Abstract

Kredit merupakan dana yang diberikan oleh bank kepada pihak lain berdasarkan perjanjian pinjam-meminjam, yang mewajibkan peminjam melunasi pinjamannya setelah jangka waktu tertentu. Sebelum memberi kredit, bank perlu menganalisis kemampuan nasabah dalam melunasi utangnya untuk mengurangi resiko kredit. Analisis kredit yang dilakukan oleh bank terkadang tidak akurat, sehingga menimbulkan kredit macet. Masalah ini akan diselesaikan dengan memanfaatkan teknologi data mining, yaitu membuat pohon keputusan menggunakan algoritma C4.5 untuk memprediksi kelayakan kredit. Tetapi, algoritma C4.5 memiliki masalah penurunan akurasi ketika dihadapkan dengan atribut dan jumlah data yang besar. Masalah ini akan diselesaikan dengan metode Feature Selection dan Stratified Sampling yang terbukti dapat menyelesaikan masalah atribut dan jumlah data yang besar. Hasil penelitian menunjukkan bahwa pohon keputusan yang dihasilkan dari algoritma C4.5 memiliki akurasi cukup baik sebesar 79,11% dan metode Feature Selection dan Stratified Sampling berhasil meningkatkan akurasi algoritma C4.5 sebesar 9,2% dalam memprediksi kelayakan kredit.

 

Kata kunci - Optimasi Algoritma C4.5, Feature Selection, Stratified Sampling, Kelayakan Kredit, Atribut dan Jumlah Data yang Besar

Downloads

Download data is not yet available.

References

R. A. Saraswati, “Peranan Analisis Laporan Keuangan, Penilaian Prinsip 5C Calon Debitur Dan Pengawasan Kredit Terhadap Efektivitas Pemberian Kredit Pada Pd Bpr Bank Pasar Kabupaten Temanggung,” Nominal, Barom. Ris. Akunt. dan Manaj., vol. 1, no. 1, 2012, doi: 10.21831/nominal.v1i1.994.

N. Wahyuni, “Penerapan Prinsip 5C Dalam Pemberian Kredit Sebagai Perlindungan Bank,” Lex J. Kaji. Huk. Keadilan, vol. 1, no. 1, 2017, doi: 10.25139/lex.v1i1.236.

N. Eprianti, “Penerapan Prinsip 5C Terhadap Tingkat Non Performing Financing (Npf),” Amwaluna J. Ekon. dan Keuang. Syariah, vol. 3, no. 2, 2019, doi: 10.29313/amwaluna.v3i2.4645.

OJK, “Laporan Profil Industri Perbankan Triwulan III 2020,” Otoritas Jasa Keuang., 2020.

J. Han, M. Kamber, and J. Pei, “Third Edition : Data Mining Concepts and Techniques,” J. Chem. Inf. Model., vol. 53, no. 9, pp. 1689–1699, 2012, [Online]. Available: http://library.books24x7.com/toc.aspx?bkid=44712.

H. Harafani and H. A. Al-kautsar, “Meningkatkan Kinerja K-Nn Untuk Klasifikasi Kanker,” vol. 18, no. 1, 2021.

D. Riana, D. Riana, P. Pembiayaan, and N. Koperasi, “Algoritma Naïve Bayes , Decision Tree , dan SVM untuk Klasifikasi Persetujuan Pembiayaan Nasabah Koperasi Syariah Naïve Bayes , Decision Tree , and SVM Algorithm for Classification of Sharia,” vol. 7, no. July, pp. 77–82, 2019, doi: 10.14710/jtsiskom.7.2.2019.77-82.

A. Rifai, R. Aulianita, and D. Mining, “Komparasi Algoritma Klasifikasi C4.5 dan Naïve Bayes Berbasis Particle Swarm Optimization Untuk Penentuan Resiko Kredit,” vol. 10, no. 2, 2018.

M. Algoritma, C. Untuk, N. Iriadi, and N. Nuraeni, “Kajian Penerapan Metode Klasifikasi Data Kelayakan Kredit Pada Bank,” pp. 132–137.

S. Atribut, P. Algoritma, M. Genetik, and A. Dan, “Bagging Untuk Analisa Kelayakan,” vol. 04, no. 02, pp. 174–183, 2017.

C. Menggunakan and B. Pso, “Kelayakan Kredit Bank,” vol. II, no. 1, pp. 26–30, 2019.

S. Harlina, “Data Mining Pada Penentuan Kelayakan Kredit Menggunakan Algoritma K-Nn Berbasis Forward Selection Data Mining on Credit Feasibility Determination Using K-Nn Algorithm Based on Forward Selection,” CCIT J., vol. 11, no. 2, pp. 236–244, 2018, doi: 10.33050/ccit.v11i2.591.

M. Hasan, “Prediksi Tingkat Kelancaran Pembayaran Kredit Bank Menggunakan Algoritma Naïve Bayes Berbasis Forward Selection,” Ilk. J. Ilm., vol. 9, no. 3, pp. 317–324, 2017, doi: 10.33096/ilkom.v9i3.163.317-324.

A. Nurzahputra and M. A. Muslim, “Peningkatan Akurasi Pada Algoritma C4.5 Menggunakan Adaboost Untuk Meminimalkan Resiko Kredit,” Pros. SNATIF, no. 1, pp. 243–247, 2017, [Online]. Available: https://media.neliti.com/media/publications/173704-ID-none.pdf.

E. Algoritma, C. Dan, F. Feature, P. Gede, S. Cipta, and G. S. Mahendra, “Selection Untuk Menentukan Debitur Baik Dan Debitur Bermasalah Pada Produk Kredit Tanpa Agunan ( Kta ),” vol. 9, no. 1, pp. 39–46, 2020.

T. Mardiana, “Optimasi Naïve Bayes Dengan Particle Swarm Optimization Dan Stratified Untuk Prediksi Kredit Macet Pada Koperasi,” J. Ris. Inform., vol. 1, no. 1, pp. 43–50, 2018, doi: 10.34288/jri.v1i1.13.

A. Syukron and A. Subekti, “Penerapan Metode Random Over-Under Sampling dan Random Forest Untuk Klasifikasi Penilaian Kredit,” J. Inform., vol. 5, no. 2, pp. 175–185, 2018, doi: 10.31311/ji.v5i2.4158.

K. Algoritma, L. D. A. Dan, and Y. Ramdhani, “Naïve Bayes Dengan Optimasi Fitur Untuk Klasifikasi,” vol. II, no. 2, pp. 434–441, 2015.

Y. N. Dewi and F. A. Sariasih, “Metode Sample Bootstrapping Untuk Meningkatkan Performa,” vol. 12, no. 1, 2019.

A. A. Agustian et al., “Data Mining Optimization Using Sample Bootstrapping and Particle Swarm Optimization in the Credit Approval Classification,” vol. 2, no. 1, pp. 18–27, 2019.

D. T. Larose, Discovering Knowledge in Data: An Introduction to Data Mining. New Jersey: John Wiley & Sons, 2005.

F. Gorunescu, Data Mining: Concepts, Models and Techniques. Verlag Berlin Heidelberg: Springer, 2011.

PlumX Metrics

Published
2022-03-02
Section
Articles