Penerapan Data Mining Dengan Algoritma C4.5 Dalam Penentuan Kelayakan Nasabah Kredit
(Studi Kasus : LPD Desa Adat Sumerta)
Abstract
LPD Desa Adat Sumerta merupakan sebuah organisasi yang terletak pada desa adat yang melayani nasabah pada jasa kredit. Di era perkembangan teknologi saat ini LPD Desa Adat Sumerta masih memberikan kredit menggunakan sistem yang manual. Terdapat sebuah permasalahan mengenai pemberian kredit di LPD Desa Adat Sumerta karena masih berdasarkan sistem manual dan pemberian kreditnya masih terdapat kesalahan. Dari itu dilakukan penelitian mengenai data mining menggunakan algoritma C4.5 dalam penentuan kelayakan kredit di LPD Desa Adat Sumerta untuk mengurangi terjadinya kesalahan dalam pemberian kredit. Penelitian ini menggunakan observasi, wawancara, dokumentasi dan studi kepustakaan. Data didapatkan secara langsung dari ketua LPD dan kepala bagian kredit pada LPD Desa Adat Sumerta. Algoritma C4.5 membantu dalam pengklasifikasian nasabah yang akan menghasilkan sebuah pohon keputusan atau decision tree. Hasil dari perhitungan algoritma C4.5 adalah menggunakan Microsoft Excel mendapatkan nilai pohon keputusan node terakhir yaitu kriteria pendapatan dengan nilai >12.500.000 (5%) adalah nasabah yang diprioritaskan mendapatkan kredit dan nilai <=12.500.000 (95%). Setelah itu dengan dataset yang telah dimiliki juga dilakukan pengujian confusion matrix dengan hasil nilai accuracy sebesar 81.00%, nilai precision 100.00%, recall 100.00%.
References
[2] I. D. K. L. Digita and K. O. Sanjaya, “Perancangan Sistem Informasi Analisa Kredit Berbasis Web Menggunakan Metode AHP (Studi Kasus: LPD Desa Adat Sumerta),” RESI J. Ris. Sist. Inf., vol. 1, pp. 10–20, Jul. 2022, doi: https://doi.org/10.32795/resi.v1i1.2945.
[3] LPD Desa Adat Sumerta, “Rencana Kerja dan Anggaran Pendapatan - Belanja,” Dec. 2021.
[4] K. A. K. Saputra and P. B. Anggiriawan, “Kebangkrutan Lembaga Perkreditan Desa (Lpd)
Berdasarkan Analisis Berbagai Faktor,” J. Ilm. Akunt., vol. 4, no. 1, p. 23, 2019.
[5] D. M. W. P. Swari, K. K. Yogantara, and I. P. A. A. Negara, “Pengatuh Komponen Pengendalian Intern Terhadap Efektivitas Pemberian Kredit Pada Lembaga Perkreditan Desa (LPD) Di Kabupaten Tabanan,” J. Res. Account., vol. 2, pp. 132–145, Jun. 2021.
[6] J. Han, M. Kamber, and J. Pei, Data Mining Concepts and Techniques Third Edition, Third Edition. www.elsevier.com, 2012.: http://myweb.sabanciuniv.edu/rdehkharghani/files/2016/02/The-Morgan- Kaufmann-Series-in-Data-Management-Systems-Jiawei-Han-Micheline-Kamber-Jian-Pei-Data- Mining.-Concepts-and-Techniques-3rd-Edition-Morgan-Kaufmann-2011.pdf
[7] I. Jaya, Fauzi, A. Suryana, A. Widiantoro, and I. Digita, “Data Visualization Of House Of Worship Distribution In The IKN Nusantara Region Using Python,” J. Ilm. Merpati, vol. 11, pp. 1–12, 2023, doi: https://doi.org/10.24843/JIM.2023.v11.i01.p01.
[8] M. A. Rivai, “Analysis of Corona Virus spread uses the CRISP-DM as a Framework: Predictive Modelling,” Int. J. Adv. Trends Comput. Sci. Eng., vol. 9, no. 3, p. ,2987-2994, Jun. 2020, doi: 10.30534/ijatcse/2020/76932020.
[9] D. Marlina and M. Bakri, “Penerapan Data Mining Untuk Memprediksi Transaksi Nasabah Dengan Algoritma C4.5,” J. Teknol. Dan Sist. Inf., vol. 2, no. 1.
[10] A. Ramadhan, “Sistem Pendukung Keputusan Evaluasi Problematika Pendampingan Pembelajaran Daring dengan Algoritma C4. 5,” J. Sistim Inf. Dan Teknol., 2022, : http://jsisfotek.org/index.php/JSisfotek/article/view/124
[11] R. Wirth and J. Hipp, “CRISP-DM: Towards a Standard Process Model for Data Mining,” Comput. Sci., p. 11, 2000.
[12] H. Susanto and S. Sudiyatno, “Data Mining untuk Memprediksi Prestasi Siswa Berdasarkan Sosial Ekonomi, Motivasi, Kedisiplinan dan Prestasi Masa Lalu,” J. Pendidik. Vokasi, vol. 4, no. 2, pp. 222– 231, Jun. 2014, doi: 10.21831/jpv.v4i2.2547.
[13] W. Irmayani, “Visualisasi Data Pada Data Mining Menggunakan Metode Klasifikasi Naive Bayes,” J. Khatulistiwa Inform., vol. 9, p. 5, 2021, doi: https://doi.org/10.31294/jki.v9i1.9593.
[14] S. Febriani and H. Sulistiani, “Analisis Data Hasil Diagnosa Untuk Klasifikasi Gangguan Kepribadian Menggunakan Algoritma C4.5,” J. Teknol. Dan Sist. Inf., vol. 2, no. 4.
[15] E. Fitriani, “Perbandingan Algoritma C4.5 Dan Naïve Bayes Untuk Menentukan Kelayakan Penerima Bantuan Program Keluarga Harapan,” SISTEMASI, vol. 9, no. 1, p. 103, Jan. 2020, doi: 10.32520/stmsi.v9i1.596.
[16] I. Junaedi, N. Nuswantari, and V. Yasin, “Perancangan Dan Implementasi Algoritma C4.5 Untuk Data Mining Analisis Tingkat Risiko Kematian Neonatum Pada Bayi,” JISICOM, vol. 3, pp. 29–44, 2019.
[17] D. Normawati and S. A. Prayogi, “Implementasi Naïve Bayes Classifier Dan Confusion Matrix Pada Analisis Sentimen Berbasis Teks Pada Twitter,” vol. 5, p. 15, 2021.
[18] W. A. Bagwan and R. S. Gavali, “Delineating changes in soil erosion risk zones using RUSLE model based on confusion matrix for the Urmodi river watershed, Maharashtra, India,” Model. Earth Syst. Environ., vol. 7, no. 3, pp. 2113–2126, Sep. 2021, doi: 10.1007/s40808-020-00965-w.
[19] B. P. Pratiwi, A. S. Handayani, and S. Sarjana, “Pengukuran Kinerja Sistem Kualitas Udara Dengan Teknologi Wsn Menggunakan Confusion Matrix,” J. Inform. Upgris, vol. 6, no. 2, Jan. 2021, doi: 10.26877/jiu.v6i2.6552.
[20] M. I. Fikri, T. S. Sabrila, and Y. Azhar, “Perbandingan Metode Naïve Bayes dan Support Vector Machine pada Analisis Sentimen Twitter,” SMATIKA J., vol. 10, no. 02, pp. 71–76, Dec. 2020, doi: 10.32664/smatika.v10i02.455.
[21] N. Hadianto, H. B. Novitasari, and A. Rahmawati, “KLASIFIKASI PEMINJAMAN NASABAH BANK MENGGUNAKAN METODE NEURAL NETWORK,” J. Pilar Nusa Mandiri, vol. 15, no. 2, pp. 163– 170, Sep. 2019, doi: 10.33480/pilar.v15i2.658.
