Komparasi Metode Algoritma Data Mining pada Prediksi Uji Kelayakan Credit Approval pada Calon Nasabah Kredit Perbankan

Komparasi Metode Algoritma Data Mining pada Prediksi Uji Kelayakan Credit Approval pada Calon Nasabah Kredit Perbankan

• By Dewi, Sari;
• Jurnal Khatulistiwa Informatika
• 276
• 59 -65

Di era saat ini pemanfaatan data min ing dalam menetukan keberhasilan
peningkatkan layanan perbankan sangatl ah efektif, salah satunya pe mberian
kredit kepada custamer b ank, menentukan credit a pproval memerlukan sistem
yang akan digunakan untuk menj alankan proses pengajuan kredit se rta didukung
dengan kercermatan dalam memil ah calon nasabah kredit yang baik sehingga
dapat meminimalisir terjadinya kre dit macet yang tidak dinginkan. Untuk
mendukung hasil dari tingkat keberhasilan marketi ng dal am perannya untuk
memasarkan produk l ayanan perbankan yang prosesnya membutuhkan data calon
nasabah ini, maka dukungan data mi ning sangat berperan penting dalam
klasifikasi calon nasabah bank yang akan me ngambil kredit di bank. Berdasarkan
pemetaan penelitian meng enai dukungan data mining pada calon nasabah didapat
ada algoritma klasifikasi yang sering digunakan untuk klasifikasi calon nasa bah
antara lain Neural Network, Naive Bayes dan K-NN dal am predi ksi keberhasilan
marketing dal am menentukan kel ayakan dari nasabah pemi njam kredit bank dari
uji coba yang di lakukan maka algoritma Neur al Network lah yang lebih akurat
dengan akurasi 90,71% de ngan nilai AUC 0.880,hal ini dapat menjadi
perbandingan data mining klasifikasi Melihat ni lai AUC dari ketiga metode
tersebut yaitu NN, Nai ve Bayes dan K -NN, maka 3 algoritma tersebut termasuk
kelompok kl asifikasi baik karena nilai AUC -nya antara 0.80 -1.00.  

• Katakunci Data maning, Neural Network, Naive Bayes, K-NN, klasifikasi
• URL https://ejournal.bsi.ac.id/ejurnal/index.php/khatulistiwa/article/view/5744
• Penerbit LPPM Universitas Bina Sarana Informatika Kampus Pontianak, Pontianak Kalimantan Barat

REFERENSI

Florin Gorunescu. 2011. Data Maning : Concept and Techniques. Verlag berlin Heidelberg:Springer.
Han, Jiawei, and Jing Gao. 2010. “Research Challenges for Data Mining in Science
and Engineering.” : 1–18.
Han, Jiawei, Micheline Kamber, and Jian Pei. 2012. Data Mining Introduction.
https://linkinghub.elsevier.com/retrieve/p ii/B9780123814791000010.
Kusrini, Sri Hartati, Retantyo Wardoyo, and Agus Harjoko. 2009. “Perbandingan
Metode Nearest Neighbor Dan Algoritma C4.5 Untuk Menganalisis Kemungkinan Pengunduran Diri Calon Mahasiswa Di STMIK AMIKOM Yogyakarta.” Jurnal Dasi 10(1): 114–32.
Park, Deuk Hee, Hyea Kyeong Kim, Il Young Choi, and Jae Kyeong Kim. 2012. “A
Literature Review and Classification ofRecommender Systems Research.” Expert
Systems with Applications 39(11): 10059–72. http://dx.doi.org/10.1016/j.eswa.2012.02.0 38.
Vercellis, C. 2009. Business Intelligent: Data Mining and Optimization for Decision
Making. Southern Gate: John Willey & Sons Inc.
Wu, Chong, and David Barnes. 2011. “A Literature Review of Decision-Making Models and Approaches for Partner Selection in Agile Supply Chains.” Journal of Purchasing and Supply Management 17(4): 256–74. http://dx.doi.org/10.1016/j.pursup.2011.09
.002.