Algoritma Naïve Bayes Untuk Memprediksi Kredit Macet Pada Koperasi Simpan Pinjam

Algoritma Naïve Bayes Untuk Memprediksi Kredit Macet Pada Koperasi Simpan Pinjam

• By WIDA PRIMA MUSTIKA M.Kom,;
• D3 - Sistem Informasi
• 217
• 239-245

— Koperasi merupakan suatu wadah yang dapat membantu masyarakat terutama masyarakat kecil dan menengah. Koperasi memegang peranan penting dalam pertumbuhan ekonomi masyarakat seperti harga bahan pokok yang tergolong murah dan juga ada koperasi yang menawarkan peminjaman dan penyimpanan uang untuk masyarakat. Kendala yang pernah di rasakan oleh koperasi ini adalah peminjam susah untuk membayar angsuran pinjaman sehingga menyebabkan terjadinya kredit macet. Karena pada koperasi dalam melakukan analisa pemberian kredit dilakukan secara personal, yaitu dengan cara mengisi lembar formulir permohonan peminjaman kredit disertai dengan persyaratan dan melakukan survey lapangan. Oleh karena itu perlu adanya evaluasi yang dilakukan dalam pemberian kredit kepada para peminjam. Untuk meminimalisir permasalahan tersebut perlu dilakukan pendeteksian kriteria-kriteria nasabah yang digunakan untuk memprediksi kredit macet serta untuk menentukan layak atau tidaknya peminja m dalam pengambilan kredit dengan menggunakan data mining. Teknik data mining yang digunakan adalah klasifikasi dengan metode naive bayes. Berdasarkan pengujian akurasi dari model yang dihasilkan diperoleh tingkat accuracy sebesar 59%, sensitivity (True Positive Rate (TP Rate) or Recall) sebesar 46,80%, specificity (False Negative Rate (FN Rate or Precision) sebesar 69,81%, Positive Predictive Value (PPV) sebesar 57,89%, dan Negative Predictive Value (NPV) sebesar 59,67%.  

• Katakunci Data Mining, Kredit Macet, Naive Bayes, Prediksi.
• URL http://
• Penerbit J-Poltri Triguna, Tasikmalaya Jawa barat

REFERENSI

D. Puspitasari, “RANCANG BANGUN SISTEM INFORMASI KOPERASI SIMPAN PINJAM KARYAWAN BERBASIS WEB,” J. Pilar Nusa Mandiri, vol. 11, no. 2, pp. 186–196, 2015. [2] D. A. Kurniawan and Danny Kriestanto, “Penerapan Naive Bayes Untuk Prediksi Kelayakan Kredit,” J. Inform. dan Komput., vol. 1, no. 1, pp. 19–23, 2016. [3] I. Hariyani, Restukturisasi & Penghapusan Kredit Macet. Jakarta: Elex Media Komputindo, 2010. [4] Nia Nuraeni, “Penentuan Kelayakan Kredit Dengan Algoritma Naive Bayes Classifier: Studi Kasus Bank Mayapada Mitra Usaha Cabang PGC,” J. Tek. Komput., vol. 3, no. 1, pp. 9–15, 2017. [5] T. Scholz M., Big Data in Organizations and the Role of Human Resource Management: A Complex Systems Theory-based Conceptualization, 1st ed. Deutsche: Peter Lang, 2017. [6] Max Bramer, Principles Of Data Mining, 3rd ed. London: Springer-Verlag Berlin Heidelberg, 2016. [7] M. Ridwan, H. Suyono, and M. Sarosa, “Penerapan Data Mining Untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive Bayes Classifier,” J. EECCIS, vol. 7, no. 1, pp. 59–64, 2013. [8] Rinawati, “PENENTUAN PENILAIAN KREDIT MENGGUNAKAN METODE NAIVE BAYES BERBASIS PARTICLE SWARM OPTIMIZATION,” J. Sains Komput. Inform., vol. 1, no. 1, pp. 58–58, 2017. [9] D. Juju and Feri Sulianta, Data Mining : Meramalkan Bisnis Perusahaan. Jakarta: Elex Media Komputindo, 2010. [10] Fatmawati, “PERBANDINGAN ALGORITMA KLASIFIKASI DATA MININGMODEL C4.5 DAN NAIVE BAYES UNTUK PREDIKSI PENYAKIT DIABETES,” J. Techno2, vol. 8, no. 1, p. 59,2016