KOMPARASI ANTARA SUPPORT VECTOR MACHINE DAN K-NEAREST NEIGHBOR DALAM PENENTUAN PEMBERIAN KREDIT TERHADAP KONSUMEN

KOMPARASI ANTARA SUPPORT VECTOR MACHINE DAN K-NEAREST NEIGHBOR DALAM PENENTUAN PEMBERIAN KREDIT TERHADAP KONSUMEN

• By Arisawati, Ester;
• Disertasi
• 265

embiayaan konsumen (Consumer finance) adalah kegiatan pembiayaan untuk
pengadaan barang berdasarkan kebutuhan konsumen dengan pembayaran secara
angsuran. Sedangkan Perusahaan Pembiayaan adalah badan usaha yang khusus
didirikan untuk melakukan sewa guna usaha, anjak piutang, pembiayaan
konsumen, dan atau usaha kartu kredit. Perusahaan pembiayaan akan menyetujui
kredit yang diajukan konsumen setelah melakukan analisa kredit terhadap
kelayakan pemberian pembiayaan konsumen, apakah disetujui dan tidak
disetujui.
Dalam proses analisa terhadap konsumen, terdapat beberapa yang tidak akurat,
oleh karena itu konsumen tidak mampu membayar dengan tepat waktu yang
mengakibatkan kredit macet. Untuk mengatasi permasalahan yang ada diperlukan
suatu model yang mampu mengklasifikasikan dan memprediksi data konsumen
yang bermasalah dan tidak bermasalah.
Dalam penelitian ini dilakukan komparasi dua algoritma klasifikasi yaitu Support
Vector Machine dan k-Nearest Neighbor yang diaplikasikan terhadap data
konsumen yang mendapat pembiayaan kredit baik yang konsumen yang
bermasalah maupun tidak. Dari hasil pengujian dengan mengukur kinerja ketiga
algoritma tersebut menggunakan metode pengujian Cross Validation, Confusion
Matrix dan Kurva ROC, diketahui bahwa algoritma k-Nearest Neighbor memiliki
nilai accuracy dan AUC paling tinggi dan yang paling rendah adalah metode
Support Vector Machine.
Kata kunci : Analisa kredit, Support Vector Machine, k-Nearest Neighbor

• Katakunci
• URL http://
• Penerbit ,

REFERENSI

Abraham, A., Grosan, C., Ramos, V., (2006). Swarm Intelligence in Data Mining.
Springer-Verlag Berlin Heidelberg.
Bramer, Max. (2007). Principles of Data Mining. London: Springer
David Olson & Yong Shi (2008). Pengantar Ilmu Penggalian Data Bisnis.
Jakarta: Penerbit Salemba Empat.
Dima, A. M., & Vasilache, S., (2009) ANN Model for Corporate Credit Risk
Assessment. IEEE.
Dong, G., Kin, K.L., & Zhou, L., (2009). Simulated Annealing Based Rule
Extraction Algorithm Credit Scoring Problem. Hong Kong. IEEE.
Gorunescu, Florin (2011). Data Mining: Concepts, Models, and Techniques.
Verlag Berlin Heidelberg: Springer
Han, J.,&Kamber, M. (2006).Data Mining Concept and Tehniques.San Fransisco:
Morgan Kauffman.
Islam, M. J., Wu, Q. M. J., Ahmadi, M., Ahmed, S., (2007). Investigating the
Perpormance of Naïve-Bayes Classifiers and K-Nearest Neighbor
Classifiers. IEEE.
Jiang, Yi., (2009). Credit Scoring Model Based on the Decision Tree and the
Simulated Annealing Algorithm. China. IEEE.
Keramati, A., & Yousefi, N., (2011). A Proposed Classification of Data Mining
Techniques in Credit Scoring. Malaysia
Kotsiantis, S., Kanellopoulos, D., Karioti, V., & Tampakas, V. (2009).
An Ontology-based Portal for Credit Risk Analysis. IEEE.
Kusrini, & Luthfi, E. T. (2009). Algoritma Data Mining. Yogyakarta: Andi
Publishing.
Lai, K. K., Yu, L., Zhou, L., & Wang , S. (2006). Credit Risk Evaluation with
Least Square Support Vector Machine. China.
Larose, D. T. (2005).Discovering Knowledge in Data. New Jersey: John Willey
& Sons, Inc.
Li, J., Liu, J., Xu, Weixuan., & Shi, Yong. (2003). Support Vector Machine
Approach to Credit Assessment. China.
Liao,Warrwn T ., (2007). Recent Advances in Data Mining of Enterprise Data:
Algoritms and Applicaions. Singapore: World Scientific Publishing
Maimon, Oded & Rokach, Lior.(2005). Data Mining and Knowledge Discovery
Handbook. New York: Springer
Nurgroho, A. S., Witarto, A. B., & Handoko, D., (2003). Support Vector Machine.
IlmuKomputer.Com
Rivai, Veithzal., & Veithzal, Andria Permata. (2006). Credit Management
Handbook. Jakarta: Raja GrafindoPersada.
Santosa, B. (2007). Data Mining: Teknik Pemanfaatan Data untuk Keperluan
Bisnis. Jogyakarta: Graha Ilmu.
Wang, Q., Lai, K. K., & Niu, D., (2011). Green Credit Scoring System and its
Risk Assessement Model with Support Vector Machine. China. IEEE.
Vercellis, Carlo (2009). Business Intelligent: Data Mining and Optimization for
Decision Making. Southern Gate, Chichester, West Sussex: John Willey &
Sons, Ltd.
Witten, I. H., Frank, E., & Hall, M. A. (2011).Data Mining: Practical Machine
Learning and Tools. Burlington: Morgan Kaufmann Publisher.
Wu, Xindong& Kumar, Vipin. (2009). The Top Ten Algorithms in Data Mining.
Boca Raton: CRC Press
Yu, H., Huang, X., Hu, X., & Cai. H,. (2010). A Comparative Study in Data
Mining Algorithms for Individual Credik isk Evaluation.
Zhang, D., Hifi, M., Chen, Q., & Ye, W., (2008). A Hybrid Credit Scoring Model
Based on Genetic Programming and Support Vector Machines. China.IEEE
Zhang. D., Leung, S. C. H., Ye, Zhime., (2008) A Decision TreeScoring Model
Based on Genetic Algoritm and K-means Algorithm. IEEE.