Komparasi Algoritma Klasifikasi C4.5 dan Naïve Bayes Berbasis Particle Swarm Optimization Untuk Penentuan Resiko Kredit

Komparasi Algoritma Klasifikasi C4.5 dan Naïve Bayes Berbasis Particle Swarm Optimization Untuk Penentuan Resiko Kredit

• By Rifai, Achmad; Aulianita, Rizki;
• Jurnal Nasional Tidak Terakreditasi
• 164
• 49-55

Perkreditan  memiliki  peran  penting  dalam  pembiayaan  pembangunan  infrastruktur  dan perekonomian nasional sekarang ini. Begitu juga dengan koperasi yang merupakan pembiayaan berskala kecil  yang  digemari  masyarakat  menengah  kebawah  terutama  dalam  fasilitas  simpan  pinjam.  Namun, fasilitas peminjaman memiliki risiko yang besar dalam kerugian yang harus ditanggung oleh koperasi , jadi dalam mengurangi risiko dalam peminjaman diperlukan metode dalam menjalankannya. Dalam penelitian ini  dilakukan  dengan  menggunakan  komparasi  algoritma  klasifikasi  data  mining  C4.5  dan  Naïve  Bayes kemudian dilakukan optimasi berbasis  Particle Swarm Optimization. Berdasarkan hasil pengujian bahwa nilai  akurasi  algoritma  C4.5  sebesar  85.40%  dan  nilai  akurasi  algoritma  Naïve  Bayes  sebesar  85,09%. Dari  kedua  algoritma  tersebut  kemudian  dilakukan  kombinasi  dengan  optimasi  Particle  Swarm Optimization, dengan hasil algoritma C4.5+PSO memiliki nilai tertinggi berdasarkan nilai accuracy sebesar 87.61%, AUC  sebesar  0.860 dan precision sebesar 88.96% sedangkan nilai  recall  tertinggi diperoleh oleh algoritma Naïve Bayes+PSO sebesar 96.75%

• Katakunci Kredit, Data Mining, Algoritma C4.5, Naïve Bayes, Optimasi
• URL http://speed.web.id/ejournal/index.php/speed/article/view/376/369
• Penerbit Speed - Sentra Penelitian Engineering dan Edukasi, Boyolali Jawa Tengah

REFERENSI

Dawson, C. W. (2019).  Projects in Computing and  Information  System  A  Student’s  Guide (2nd ed.). England: Addison-Wesley.

Gorunescu,  F.  (2011).  Data  Mining  Concept, Models  and  Techniques  (12th  ed.).  Berlin Heidelberg: Springer Verlag.

Kusrini, & Luthfi, E. T. (2009).  Algoritma Data Mining. Yogyakarta: Andi Offset.

Larose,  D.  T.  (2006).  Data  Mining  Methods and Models. Canada: John Wiley & Sons, Inc., Hoboken, New Jersey.

Liao, T. W. (2007).  Recent Advances in Data Mining of Enterprise Data (6th ed.). Singapore: World Scientific.

Maimon, O., & Rokach, L. (2010).  Data Mining and  knowledge  Discovery  Handbook (Second). New York: Springer.

Rifai,  A.  (2016).  Kajian  Algoritma  C4.5  Naive Bayes  ,Neural  Network  Dan  Svm  Dalam Penentuan  Kelayakan  Pemberian  Kredit. Jurnal  Sistem  Informasi  Stmik  Antar  Bangsa, V NO 2(2), 176–182.

Saraswati,  L.,  &  Yadnyana,  I.  K.  (2014). Pengaruh  Struktur  Pengendalian  Intern Terhadap  Kelancaran  Pengembalian  Kredit Pada  Koperasi  Simpan  Pinjam  Di  Kota Denpasar.  Jurnal  Akuntansi  Universitas Udayana, 7(1), 122–134.

Sawant, A. A., & Chawan, P. M. (2013). Study of Data Mining Techniques used for Financial Data Analysis, 2(3), 503–509.

Vercellis,  C.  (2009).  Business  Intelligence: Data  Mining  and  Optimization  for  Decision Making (First). Italy: John Wiley & Sons Ltd.

Witten, I.  H., Frank, E., & Hall, M.  A.  (2011). Data Mining : Practical Machine Learning and Tools (Third). Burlington: Morgan Kaufmann.

Zurada,  J.  (2010).  Could  decision  trees improve  the  classification  accuracy  and interpretability  of  loan  granting  decisions? Proceedings  of  the  Annual  Hawaii International Conference on System Sciences, 1–9. https://doi.org/10.1109/HICSS.2010.124