ANALISIS PERBANDINGAN METODE NEURAL NETWORKS DAN NAÏVE BAYES UNTUK KLASIFIKASI KELAYAKAN PEMBERIAN KREDIT (STUDI KASUS: PT. ADIRA FINANCE KOTA TERNATE)
Kata Kunci:
Data Mining, Klasifikasi, resiko kredit, neural network, naive bayesAbstrak
Kredit merupakan salah satu jalan pintas yang terkadang diambil oleh masyarakat untuk memenuhi kebutuhannya namun memiliki resiko yang besar bagi perusahaan seperti nasabah kredit macet. Klasifikasi data mining dipilih untuk dapat membantu memberikan penyelesaian masalah tersebut. Pada penelitian ini menggunakan klasifikasi dengan model algoritma Neural Network dan Naïve Bayes kemudian membandingkan untuk melihat model algoritma mana yang memiliki akurasi terbaik dalam mengklasifikasikan status kredit nasabah menggunakan Bahasa pemrograman phyton kemudian dilanjutkan dengan pengukuran menggunakan confusion matrix. Hasil algoritma Neural Network setelah dilakukan pengujian confusion matrix menunjukkan nilai akurasi yang sangat tertinggi adalah 85,0% dan algoritma Naïve Bayes setelah dilakukan pengujian confusion matrix menunjukkan nilai akurasi yang sangat tertinggi adalah 84,7%. Berdasarkan hasil tersebut hal ini menunjukkan bahwa Neural Network sedikit lebih baik dalam melakukan klasifikasi terhadap data nasabah kredit dibandingkan dengan Naïve Bayes.
Referensi
Bawono, B., & Wasono, R. (2019). Perbandingan Metode Random Forest dan Naive Bayes. Jurnal Sains Dan Sistem Informasi, 3(7), 343–348. http://prosiding.unimus.ac.id
Ghani, A. D., Salman, N., & Mustikasari. (2019). Algoritma k-Nearest Neighbor Berbasis Backward Elimination Pada Client
Telemarketing. Prosiding Seminar Ilmiah Sistem Informasi Dan Teknologi Informasi, 8(2), 141–150.
Hadianto, N., Novitasari, H. B., & Rahmawati, A. (2019). Klasifikasi Peminjaman Nasabah Bank Menggunakan Metode Neural Network. Jurnal Pilar Nusa Mandiri, 15(2), 163–170.
https://doi.org/10.33480/pilar.v15i2.658
Handayani, F., & Pribadi, F. S. (2015). Implementasi Algoritma Naive Bayes Classifier dalam Pengklasifikasian Teks Otomatis Pengaduan dan Pelaporan Masyarakat melalui Layanan Call Center
Jurnal Teknik Elektro, 7(1), 19–24.
Lubis, C. P. (2022). Perbandingan Metode Radial Basis Function dan Multilayer Perceptron Terhadap Resiko Kredit Sepeda Motor. Infosys (Information System) Journal, 7(1), 25.
https://doi.org/10.22303/infosys.7.1.2022.25
-33
S. Kusumadewi. (2004). Membangun Jaringan Syaraf Tiruan Menggunakan Matlab Dan Excel Link (F. W. Nurwiyati (ed.); pertama). Graha Ilmu.
Siregar, B. (2021). Metode Statistika. https://rstudio-pubs- static.s3.amazonaws.com/805666_02a47e7c 20174d8ba01da72f16c951db.html#
Sumiah, A., & Mirantika, N. (2020). Perbandingan Metode K-Nearest Neighbor dan Naive Bayes untuk Rekomendasi Penentuan Mahasiswa Penerima Beasiswa pada Universitas Kuningan. Buffer Informatika (Jurnal Ilmiah Teknik Informatika), 6(April).
Widianto, M. H. (2019). Algoritma Naive Bayes. Binus University. Tersedia di: https://binus. ac.
id/bandung/2019/12/algoritma-naive-bayes/. Diakses tanggal, 22.
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2023 Jurnal Jaringan dan Teknologi Informasi
Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
