SISTEM CERDAS PENENTUAN PEMBERIAN KREDIT DENGAN MENGGUNAKAN METODE NAÏVE BAYES CLASIFICATION

Suriana

doi:10.32520/jupel.v1i2.775

Suriana Universitas Islam Indragiri

DOI: https://doi.org/10.32520/jupel.v1i2.775

Keywords: Sistem Cerdas, Kredit, Naïve Bayes Clasification

Abstract

Kebutuhan akan analisis mengenai penentuan pemberian kredit di BUMDES Desa Pekantua menjadi alasan dilakukannya penelitian terhadap penentuan pemberian kredit kepada nasabah. Selain itu riset ini juga diharapkan dapat mengurangi resiko kredit yang telah banyak ditemukan sehingga dapat menghindari kehancuran suatu instansi. Penentuan pemberian kredit secara manual sudah menimbulakan masalah terutaama dalam pengembalian pinjaman disebabkan oleh kreteria nasabah yang berbeda pada setiap nasbah yang diberikan kredit. Untuk itu dibutuhkan sebuah sistem cerdas penentuan pemberian kredit salah satunya dengan menggunakan strategi data mining dan pengimplementasian Naives Bayes Clssification. Cara kerja dengan metode naïve bayes adalah akan melakukan pemilihan antara dua kelas yaitu kelas Yes dan kelas No sesuai dengan nilai perhitungan yang lebih besar. Data akan dikolompokan menjadi dua bagian yaitu data training dan data testing. Data training digunakan sebagai pembelajaran bagi sistem sedangkan data testing digunakan sebagai data baru untuk mengukur tingkat keakurasiaan suatu sistem. Penelitian ini menggunakan metode keakurasian matriks konfusion dalam menghitung keakuratan sistem dengan hasil yang didapat setelah dilakukan pengujian yaitu 63,50%.

Downloads

Download data is not yet available.

References

[1] Kurniawan, D., & Supriyanto, D. C. (2013). Optimasi Algoritma Support Vector Machine (Svm) Menggunakan Adaboost Untuk Penilaian Risiko Kredit. Jurnal Teknologi Informasi, 9(1), 38-49.
[2] Ndaumanu, R. I., & Arief, M. R. (2014). Analisis Prediksi Tingkat Pengunduran Diri Mahasiswa dengan Metode K-Nearest Neighbor, 1(1). 1-15
[3] Suwondo, A. (2014). Aplikasi Sistem Informasi Perpustakaan Di Smk Takhassus Kalibeber Wonosobo, 31–39.
[4] Husni, M. R. & Ardi, W. (2017). Implementasi Algoritma Naïve Bayes Dalam Penentuan Pemberian Kredit. Jurnal Pseudocode, 4(2), 120-128
[5] Supriyanti, W., Kusrini., Armadyah, A. (2016). Perbandingan Kinerja Algoritma C4.5 dan Naïve Bayes Untuk Ketepatan Pemilihan Konsentrasi Mahasiswa. Jurnal INFORMA, 1 (3), 61-67
[6] Anam, C & Harry, B. S. (2018). Perbandingan Kinerja Algoritma C4.5 dan Naïve Bayes Untuk Penerimaan Beasiswa. 8(1). 13-19
[7] Eko, R., P., Suparti., Rita, R. (2014). Perbandingan Metode Klasifikasi Naïve Bayes dan K-Nearest Neighbor Pada Analisis Data Status Kerja Di Kabupaten Demak Tahun 2012. Jurnal GAUSSIAN, 3(4). 831-838
[8] Zelfriyenni, & Ira, U., Y. (2014). Kebijakan Pemberian Kredit Terhadap Penetapan Jumnlah Kredit. Jurnal Edik Informatika, 1(i1). 72-80.
[9] Destiningrum, M, & Qadhli, J., A. (2017). Sistem Informasi Penjadwalan Dokter Berbasis Web Dengan Menggunakan Framework Codelgniter. Jurnal Teknoinfo, 11(2). 30-36
[10] Yuliansyah, H. (2014). Perancangan Reflikasi Basis Data My SQL dengan Mekanisme Pengamanan Menggunakan SSL Encryption. Jurnal Informatika, 8 (11). 826-835
[11] Hasan, maryam. (2017). Prediksi Tingkat Kehancuran Pembayaran Kredit Bank Menggunakan Algoritma Naïve Bayes Berbasis Forward Selection, 9(3). 317-323
[12] Taufik, M. (2015). Sistem Informasi Dokter Berbasis Web, 21(1). 18-23
[13] Pato, saduldyn. (2013). Pemberian Kredit Mikro Pada Bank Syariah Mandiri Cabang Manado. 1(4). 875-885
[14] Annur, Haditsah. (2018). Klasifikasi Masyarakat Iskin Menggunakan Metode Naïve Bayes. 10(2). 160-165
[15] Minarianti, Ika. (2015). Klasifikasi Data Mining Dalam Penentuan Pemberian Kredit Bagi Nasabah Koperasi. 1(1). 36-45
[16] Nuraeni, Nia.(2017). Penentuan Kelayakan Kredit Dengan Menggunakan Algoritma Naïve Bayes Classifier (Studi Kasus Bank Maya Pada Mitra Usaha Cabang PGC. 3(1). 9-14