Implementasi Metode Naive Bayes Dalam Memprediksi Persetujuan Hutang
DOI:
https://doi.org/10.70609/jusifor.v3i2.5790Kata Kunci:
Data Mining, Persetujuan Hutang, Prediksi Kredit, Rapid Miner, Naive BayesAbstrak
Perkembangan teknologi informasi dalam sektor perbankan telah mendorong kebutuhan akan sistem otomatisasi dalam pengambilan keputusan kredit yang lebih efisien dan akurat. Penelitian ini bertujuan untuk mengimplementasikan metode Naive Bayes dalam memprediksi persetujuan hutang dengan menggunakan dataset yang terdiri dari 353 sampel dengan 12 variabel. Metodologi penelitian meliputi tahap preprocessing data, yang mencakup cleaning data, transformasi atribut, dan normalisasi, diikuti dengan implementasi model menggunakan platform RapidMiner. Dataset dibagi menjadi 70% data training dan 30% data testing dengan metode stratified sampling. Hasil pengujian menunjukkan bahwa model Naive Bayes mencapai akurasi sebesar 79.76%, dengan nilai presisi 39.88% dan recall 50.00%. Analisis matriks konfusi mengungkapkan 197 kasus true positive dan 50 kasus false positive, sementara validasi silang 10-fold menunjukkan konsistensi performa model. Meskipun model menunjukkan performa yang menjanjikan dalam hal akurasi, terdapat ruang untuk peningkatan terutama dalam aspek presisi dan recall. Penelitian ini memberikan kontribusi dalam pengembangan sistem pendukung keputusan kredit yang dapat membantu institusi finansial dalam proses evaluasi persetujuan hutang secara lebih efisien.
Referensi
Gandhi, B. S., Megawaty, D. A., & Alita, D. (2021). Aplikasi Monitoring dan Penentuan Peringkat Kelas Menggunakan Naive Bayes Classifier. Jurnal Informatika Dan Rekayasa Perangkat Lunak, 2(1), 54–63. https://doi.org/10.33365/jatika.v2i1.722
Ika Anikah, Agus Surip, Nela Puji Rahayu, Muhammad Harun Al- Musa, & Edi Tohidi. (2022). Pengelompokan Data Barang Dengan Menggunakan Metode K-Means Untuk Menentukan Stok Persediaan Barang. KOPERTIP : Jurnal Ilmiah Manajemen Informatika Dan Komputer, 4(2), 58–64. https://doi.org/10.32485/kopertip.v4i2.120
Ismai. (2017). Data Mining: Pengolahan Data Menjadi Informasi dengan RapidMiner. https://www.google.co.id/books/edition/DATA_MINING/rTlmDwAAQBAJ?hl=id&gbpv=1&dq=data+mining+rapid+miner&printsec=frontcover
Jalil, A., Homaidi, A., & Fatah, Z. (2024). Implementasi Algoritma Support Vector Machine Untuk Klasifikasi Status Stunting Pada Balita. G-Tech: Jurnal Teknologi Terapan, 8(3), 2070–2079. https://doi.org/10.33379/gtech.v8i3.4811
Kusrini, L. (2009). Algoritma Data Mining. https://www.google.co.id/books/edition/Algoritma_Data_Mining/CGOtDwAAQBAJ?hl=id&gbpv=0
Mutiasari, A. I. (2020). Perkembangan Industri Perbankan Di Era Digital. Jurnal Ekonomi Bisnis Dan Kewirausahaan, 9(2), 32–41. https://doi.org/10.47942/iab.v9i2.541
Sugiyarto, I. (2019). Perbandingan Kinerja Algoritma Data Mining Prediksi Persetujuan Kartu Kredit. Faktor Exacta, 12(3), 180. https://doi.org/10.30998/faktorexacta.v12i3.4310
Tartila, M. (2022). Strategi Industri Perbankan Syariah dalam Menghadapi Era Digital. Jurnal Ilmiah Ekonomi Islam, 8(3), 3310. https://doi.org/10.29040/jiei.v8i3.6408
Yogianto, A., Homaidi, A., & Fatah, Z. (2024). Implementasi Metode K-Nearest Neighbors (KNN) untuk Klasifikasi Penyakit Jantung. G-Tech: Jurnal Teknologi Terapan, 8(3), 1720–1728. https://doi.org/10.33379/gtech.v8i3.4495
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2024 Suci Mulianingsih, Zaehol Fatah
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
