ANALISA KLASIFIKASI KARTU KREDIT MENGGUNAKAN ALGORITMA NAIVE BAYES
Abstract
Pemberian kredit bank terhadap nasabah adalah kegiatan rutin yang mempunyai resiko tinggi. Begitupun kredit yang bermasalah atau kredit macet sering terjadi akibat analisis kredit kurang cermat dalam proses pemberian kredit, maupun dari karakter nasabah yang tidak baik. Untuk mencegah terjadinya kredit macet, seorang analisis kredit perbankan harus mampu mengambil keputusan yang tepat dalam pengajuan kredit. Diperlukan adanya prediksi yang akurat dimasa mendatang, salah satunya menggunakan teknik data mining.
Salah satu teknik data mining sendiri yaitu metode klasifikasi untuk memprediksi probabilitas keanggotaan suatu class dengan menggunakan algoritma Naive Bayes, sehingga tingkat akurasi dapat diketahui melalui proses Confusion Matrix dalam prediksi. Algoritma ini mampu menghasilkan tingkat akurasi yang baik.
Dari hasil analisa terhadap 23 variabel terdapat 3 variabel yang begitu berpengaruh kredit lancar dan macet nasabah yaitu status pembayaran pada bulan September, Agustus, dan Mei 2005. Tingkat akurasi data 3 variabel sebanyak 80.59% dengan data train sebanyak 18001 data.
References
[1]. Ahmad Kurniawan, D dan Kriestanto, D. 2016. Penerapan Naive Bayes untuk Memprediksi Kelayakan Kredit. Jurnal Informatika dan komputer, Vol.1, No. 1, hal.19-23.
[2] Asdi, Yudiantri (2017) Pengenalan Software R. Website: https://nanopdf.com/download/pengenalan-software-r_pdf , diakses 7 Mei 2018.
[3] F.H, Fandi dan Hansun. 2017. Penerapan Algoritma C4.5 untuk Memprediksi Penerimaan Calon Pegawai Baru di PT WISE. Jurnal Teknik Informatika dan Sistem Informasi, Vol.3, No. 2.
[4] Ginanjar Mabrur, A dan Lubis, R. 2012. Penerapan Data Mining Untuk Memprediksi Kriteria Nasabah Kredit Jurnal Komputer dan Informatika, Vol.1, hal 53-57.
[5] Hermawati, F. A. (2013). Data Mining. Yogyakarta: Penerbit Andi.
[6] Indrajani. (2011). Perancangan Basis Data dalam All in 1, PT. Elex Media Komputindo, Jakarta.
[7] Kusrini (2009), Algoritma Data Mining, edisi 1, Andi Ofset, Yogyakarta.
[8] Murdianingsih, Y. (2015). Klasifikasi Nasabah Baik Dan Bermasalah Menggunakan Metode Naive Bayes. Seminar Nasional Informatika, hal 349-356.
[9] Retnosari, P. (2013) Implementasi Data Mining untuk menemukan hubungan antara Kota Kelahiran Mahasiswa dengan Tingkat Kelulusan Mahasiswa pada Fakultas Teknologi Informasi Unisbank, Skripsi, Program Studi Sistem Informasi FTI Unisbank, Semarang.
[10] Turban, E., dkk, 2005, Decicion Support Systems and Intelligent Systems, Andi Offset.
[11] Wibowo, Ari. (2011). Prediksi Nasabah Potensial Menggunakan Metode Klasifikasi Pohon Biner: Universitas Politeknik Negri Batam.
