PENERAPAN ALGORITMA KLASIFIKASI NAIVE BAYES UNTUK MENILAI KELAYAKAN KREDIT PADA PT. FINANSIA MULTI FINANCE SUKABUMI

• HADI YUSTIA PURNAMA
• 2019

---

 

ABSTRAK

 

 

Penerapan Algoritma Klasifikasi Naive Bayes Untuk Menilai Kelayakan Kredit Pada PT. Finansia Multi Finance Sukabumi, (19153062) Hadi Yustia Purnama

 

 

 

 

 

 

 

 

 

 

PT. Finansia Multi Finance saat ini

belum menggunakan metode pendukung

keputusan dalam oleh karena itu Multi Finance d tidak membutuh pemberian kredi

membantu memberikan keputusan kelayakan pemberian kredit,

Penelitian ini dilakukan guna

membantu karyawan PT. Finansia

alam memberikan keputusan kelayakan pemberian kredit serta kan waktu yang lama dalam pengambilan keputusan kelayakan t. Metode klasifikasi yang digunakan adalah metode naive bayes

 

yang merupakan metode pengklasifikasian statistik yang dapat digunakan untuk memprediksi probabilitas keanggotaan suatu kelas. Hasil dari penelitian ini dilakukan evaluasi baik secara confusion matrix maupun ROC curve terbukti bahwa pengujian yang dilakukan metode Naive Bayes Classifier memiliki nilai akurasi yang tinggi. Nilai akurasi untuk model algoritma klasifikasi metode Naive Bayes untuk sistem pendukung keputusan kelayakan kredit 94,05 % dengan nilai AUC 0,975.

 

ABSTRACT

 

 

Application of Naive Bayes Classification Algorithm to Assess the Feasibility of Credit to PT. Finansia Multi Finance Sukabumi, (19153062) Hadi Yustia Purnama

 

 

PT. Finansia Multi Finance currently does not use decision support methods to help provide credit assistance eligibility decisions, therefore this research was conducted to help employees of PT. Finansia Multi Finance in providing credit worthiness decisions and does not require a long time in making credit worthiness decisions. The classification method used is the naive Bayes method which is a statistical classification method that can be used to predict the probability of a class. The results of this study were conducted well, both the confusion matrix and the ROC curve were proven to have conducted research conducted by the Naive Bayes Classifier method which has a high verification value. The approval value for the Naive Bayes method classification algorithm model for the credit worthiness decision support system is 94.05% with an AUC value of 0.975.

• Metode Naive Bayes
• klasifikasi
• kelayakan kredit

 

 

DAFTAR PUSTAKA

 

 

 

Abdul Rohman. (2016). Komporasi Metode Klasifikasi Data Mining Untuk Prediksi Penyakit Jantung. Neo Teknika, 2(2), 21–28.

 

 

Adi, S., & Winarko, E. (2015). Klasifikasi Data NAP (Nota Analisis Pembiayaan) untuk Prediksi Tingkat Keamanan Pemberian Kredit (Studi Kasus : Bank Syariah Mandiri Cabang Luwuk Sulawesi Tengah). IJCCS (Indonesian Journal     of                 Computing      and                 Cybernetics            Systems),                    9(1),             1–12. https://doi.org/10.22146/ijccs.6635

 

 

Ahmed, A. B. E. D., & Elaraby, I. S. (2014). Data Mining : A prediction for Student â€TM s Performance Using Classification Method. World Journal of Computer            Application                         and                      Technology,                         2(2),         43–47. https://doi.org/10.13189/wjcat.2014.020203.

 

 

Aprilia, dkk., (2013). Belajar Data Mining dengan RapidMiner. Jakarta. Online :

 

(9-07-2015).

 

Handayani, Putri Kurnia (2016). Model Klasifikasi Kelayakan Kredit Koperasi Karyawan Dengan Algoritma Decision Tree. Prosiding SNATIF. ISBN: 978-602-1180-33-4.

 

 

Harlina, Siti (2018). Data Mining Pada Penentuan Kelayakan Kredit Menggunakan Algoritma K-Nn Berbasis Forward Selection. Jurnal Teknik Informatika, ISSN : 1978 -8282.

 

 

Harlyani, Henny. (2013). “Keputusan Nasabah Mengajukan Kredit Usaha Makro”. Jurnal Administrasi Bisnis Vol. 1 No.1. Universitas Mulawarman Samarinda.

 

Iriadi, Nanang, Nia Nuraeni (2016). Kajian Penerapan Metode Klasifikasi Data Mining Algoritma C4.5 Untuk Prediksi Kelayakan Kredit Pada Bank Mayapada Jakarta. Jurnal Teknik Komputer AMIK BSI. Vol. II No. 1.

 

Nofriansyah, Dicky, (2015). Konsep Data Maining VS Sistem Pendukung Keputusan. Yogyakarta: Yogyakarta Deepublish.

 

Nugroho, R. A., Tarno, & Prahutama, A. (2017). Klasifikasi Pasien Diabetes Mellitus Menggunakan Metode Smooth Support Vector Machine (SSVM). Gaussian, 6, 439–448. Retrieved from http://ejournal-s1.undip.ac.id/index.php/gaussian.

 

 

 

 

34

35

 

 

 

Pato, S. (2013). Analisis Pemberian Kredit Mikro Pada Bank Syariah Mandiri Cabang  Manado.                       Jurnnal            EMBA,           1(4),               875–885. https://doi.org/10.1017/CBO9781107415324.004.

 

 

Shafique, U., & Qaiser, H. (2014). A Comparative Study of Data Mining Process Models ( KDD , CRISP-DM and SEMMA ). International Journal of Innovation and Scientific Research, 12(1), 217–222. Retrieved from http://www.ijisr.issr-journals.org/

 

 

Saputra, Rizal Amegia, Shinta Ayuningtias, (2016). Penerapan Algoritma Naive Bayes Untuk Penentuan Calon Penerima Beasiswa pada SMK PASIM Plus Sukabumi. ISSN: 2355-990X. SWABUMI Vol. 4, No. 2 September 2016.

 

Wicaksono, Soetam Rizky. (2018). Studi Kasus Sistem Berbasis Pengetahuan. Program Studi Sistem Informasi FST, Univ. Ma Chung