Penentuan Kelayakan Kredit Dengan Algoritma Naïve Bayes Classifier: Studi Kasus Bank Mayapada Mitra Usaha Cabang PGC

JURNAL TEKNIK KOMPUTER AMIK BSI

Vol. III, No. 1, Februari 2017

Penentuan Kelayakan Kredit Dengan Algoritma Naïve Bayes Classifier: Studi Kasus Bank Mayapada Mitra Usaha Cabang PGC Nia Nuraeni1

Abstract — In analyzing a credit sometimes a less accurate credit officer in credit analysis, so that it can lead to increased bad debts. Classification data mining algorithms are widely used to determine the credit worthiness of one Naive Bayes classifier, NBC superior in increasing the value of high accuracy but weak in the selection of attributes. After testing Naive Bayes classifier algorithm the results obtained is Naive Bayes classifier algorithm produces an accuracy of 89.33% and AUC values for 0.955 Keyword: Credit Analysis, Naive Bayes ClassifierAlgorithm. Intisari — Dalam menganalisis kredit kadang-kadang petugas kredit kurang akurat dalam analisis kredit, sehingga dapat menyebabkan peningkatan kredit macet . Klasifikasi algoritma data mining secara luas digunakan untuk menentukan kelayakan kredit dari salah satu Naif Bayes classifier, BC unggul dalam meningkatkan nilai akurasi yang tinggi tetapi lemah dalam pemilihan atribut. Setelah menguji algoritma Naive Bayes menghasilkan akurasi 89,33 % dan nilai AUC 0.955. Kata Kunci: Analisa Kredit, Algoritma Naive Bayes Classifier.

I. PENDAHULUAN Dalam proses pemberian kredit selama ini, khususnya pemberian kredit usaha mikro yang dilakukan oleh Bank Mayapada meskipun melalui analisa kredit masih saja ada permasalahan yang timbul diantaranya, para calon debitur melakukan segala macam cara agar kreditnya disetujui oleh pihak bank. Hal ini yang menyebabkan tingkat kredit macet juga meningkat. Penyebabnya antara lain kurang akuratnya credit officer dalam memberikan analisanya, pihak account officer yang kurang tepat dalam mencari calon debitur karna dikejar oleh target perusahaan. Bank Mayapada menetapkan kebijakan dalam pemberian kredit, antara lain menetapkan standar untuk menerima atau menolaknya. Analisa kredit yaitu untuk menentukan siapa yang berhak menerima kredit yang telah memenuhi prinsip bagaimana karakter nasabah (Character/Data pribadi nasabah), kapasitas nasabah untuk melunasi kreditnya (Capacity), kemampuan modal yang dimiliki nasabah dan aktivitas usahanya (Capital), jaminan nasabah (Collateral/ Jaminan) dan kondisi usaha nasabah (Condition) atau biasa disebut sebagai 5C. Sehingga berdasarkan analisa kredit tersebut bisa didapatkan beberapa variabel antara lain: nama debitur, alamat, jenis usaha, status tempat tinggal, status tempat usaha, lama usaha, sistem penjualan, sistem pembelian, pemasok/supplier yang dimiliki debitur, pembelian 1

Program Studi Teknik Informatika STMIK Nusa Mandiri Jakarta,Jl. Damai No 8 Warung Jati Barat (Margasatwa) Jakarta Selatan (Telp: 021-78839513; fax: (021) 78839421; e-mail: [email protected])

dari supplier, repayment capacity, omzet perbulan, gross profit margin, security coverage ratio, jenis jaminan yang diberikan, status kepemilikan jaminan dan BI Checking. Variabel-variabel tersebut memiliki keterhubungan satu sama lain dalam penentuan kelayakan pemberian kredit Naive Bayes, Neural Network dan C45 merupakan algoritma klasifikasi data mining yang banyak digunakan dalam setiap penelitian untuk prediksi kelayakan pemberian kredit. Naive Bayes Classifier merupakan algoritma yang memiliki tingkat akurasi lebih tinggi dibandingkan dengan algoritma klasifikasi yang lain.[1] Persetujuan kelayakan pemberian kredit dalam credit scoring menggunakan data mining dan dihasilkan pengklasifikasikan tentang “good credit” dan “bad credit” sehingga dapat dijadikan acuan dalam pemberian kredit kepada calon debitur[2]. Meskipun Naive Bayes Classifier diunggulkan karna memiliki tingkat akurasi yang cukup tinggi, dan dapat di terapkan dalam jumlah data yang besar Naive Bayes juga memiliki kekurangan yakni lemah dalam proses penyeleksian atribut atau variabel. Dilingkungan PGC dan sekitarnya (Plasma) Bank Mayapada memberikan kredit terhadap calon debitur yang memiliki berbagai faktor usaha dimana faktor usaha ini merupakan salah satu aspek penilaian kredit, sehingga dalam penelitian ini akan dilakukan penelitian tentang keakurasian salah satu penilaian analisa kredit faktor usaha sehingga dapat dijadikan acuan terutama untuk credit officer Bank Mayapada dalam memberikan kredit dimasa datang. Berdasarkan penjelasan diatas penelitian menggunakan algoritma data mining dapat digunakan dalam mengatasi masalah untuk menganalisa kasus kredit, sehingga menghasilkan nilai akurasi yang cukup tinggi dibandingkan dengan algoritma yang lainnya. Penelitian ini akan menggunakan algoritma data mining Naive Bayes Classifier sehingga diharapkan akan menghasilkan akurasi yang lebih tinggi. II. KAJIAN LITERATUR a. Kredit Undang-Undang Republik Indonesia Nomor 10 Tahun 1998 tentang perubahan atas Undang-Undang Nomor 7 Tahun 1992 tentang perbankan yang dimaksud dengan kredit adalah penyedian uang atau tagihan yang dapat dipersamakan dengan itu, berdasarkan persetujuan pinjam meminjam antar Bank dengan pihak lain yang mewajibkan pihak peminjam melunasi hutangnya setelah jangka waktu tertentu dengan pemberian bunga[3].

ISSN. 2442-2436 // Penentuan Kelayakan Kredit … 9


Vol. III, No. 1, Februari 2017 b. Data Mining Data Mining adalah proses menemukan korelasi baru yang bermakn, pola dan tren dengan memilah-milah sejumlah besar data yang tersimpan dalam repositori, menggunakan teknologi penalaran pola serta teknik-teknik statistik dan matematika[4]. Pada prosesnya data mining akan mengekstrak informasi yang berharga dengan cara menganalisis adanya pola-pola ataupun hubungan keterkaitan tertentu dari data-data yang berukuran besar. Data mining berkaitan dengan ilmu-ilmu lain seperti, Database System, Data Warehousing, Statistic, Machine Learning, Information Retrievel, dan Komputasi tingkat tinggi. Data mining adalah sebuah proses, sehingga dalam melakukan prosesnya harus sesuai dengan prosedur CRISP-DM (Cross- Industry Standard Process for Data Mining) [5].

Berikut adalah bentuk umum dari teorema bayes:

…………………………………(1) Keterangan: X = Data dengan class yang belum diketahui. H = Hipotesis data X merupakan suatu class spesifik. P(H|X) = Probabilitas hipotesis H berdasarkan kondisi X (posteriori probability). P(H) = Probabilitas Hipotesis H (prior probability). P(X|H) = Probabilitas X berdasar kondisi pada Hipotesis H P(X) = Probabilitas dari X. Metode algoritna Naïve bayes merupakan penyederhanaan metode bayes. Untuk mempermudah pemahaman, maka Teorema Bayes disederhanakan menjadi: P(H|X) = P(X|H) P(X)

…………………(2)

Metode Bayes rule digunakan dan diterapkan untuk melakukan penghitungan terhadap posterior dan probabilitas dari data sebelumnya. Dalam analisis bayesian, fungsi Classification Observed Class

Gambar 1 CRISP-DM process c. Algoritma Klasifikasi Naive Bayes Algoritma Naïve Bayes merupakan suatu bentuk klasifikasi data dengan menggunakan metode probabilitas dan statistik. Metode ini pertama kali dikenalkan oleh ilmuwan Inggris Thomas Bayes, yaitu digunakan untuk memprediksi peluang yang terjadi di masa depan berdasarkan pengalaman di masa sebelumnya sehingga dikenal sebagai teorema Bayes. Metode Teorema bayes kemudian dikombinasikan dengan naive yang diasumsikan dengan kondisi antar atribut yang saling bebas. Algoritma Naive Bayes dapat diartikan sebagai sebuah metode yang tidak memiliki aturan, Naive Bayes menggunakan cabang matematika yang dikenal dengan teori probabilitas untuk mencari peluang terbesar dari kemungkinan klasifikasi, dengan cara melihat frekuensi tiap klasifikasi pada data training. The Naive Bayes Classifier bekerja sangat baik dibanding dengan model classifier lainnya bahwa “Naïve Bayes Classifier memiliki tingkat akurasi yang lebih baik dibanding model classifier lainnya” [6]. Bayes rule digunakan untuk menghitung probabilitas suatu class. Algoritma Naive Bayes memberikan suatu cara mengkombinasikan peluang terdahulu dengan syarat kemungkinan menjadi sebuah formula yang dapat digunakan untuk menghitung peluang dari tiap kemungkinan yang terjadi.

10

Class = Yes Class = NO

Predicated Class Class=YES Class=NO A B (True Positive-Tp) (False Negative-Fn) C D (False Positive-FP) (True Negative-TN)

klasifikasi akhir dihasilkan dengan menggabungkan kedua sumber informasi (prior dan posterior) untuk menghasilkan probabilitas menggunakan aturan bayes d. Cross Validation Dalam pendekatan cross validation, setiap record digunakan beberapa kali dalam jumlah yang sama untuk training dan tepat sekali untuk untuk testing. Cross validation adalah teknik validasi dengan membagi data secara acak kedalam k bagian dan masing-masing bagian akan dilakukan proses klasifikasi[7]. e. Confusion Matrix Confussion matrix adalah sebuah metode untuk melakukan evaluasi dengan menggunakan tabel matrix [8]. Tabel 1 Model Confusion Matrix [9] True Positive (TP) = proporsi positif dalam data set diklasifikasikan positif True Negative (TN) = proporsi negative dalam data set diklasifikasikan negative False Positive (FP) = proporsi negatif dalam data set diklasifikasikan potitif False Negative (FN) = proporsi negative dalam data set diklasifikasikan negative

yang yang yang yang

ISSN. 2442-2436 // Penentuan Kelayakan Kredit …



1. 2.

3.

4.

5.

Sensitivity juga dapat dikatakan true positive rate (TP rate) atau recall. Sebuah sensitivity 100% berarti bahwa pengklasifikasian mengakui sebuah kasus yang diamati positif f. Nilai Accuracy Nilai accuracy adalah presentase dari jumlah record data yang diklasifikasikan secara baik dan benar dengan menggunakan sebuah algoritma dan dapat membuat klasifikasi setelah dilakukan pengujian pada hasil klasifikasi tersebut.[10] g. Kurva ROC Fungsi Kurva ROC adalah untuk menunjukkan akurasi dan membandinngkan klasifikasi secara visual. ROC mengekspresikan Confusion Matrix, ROC adalah grafik dua dimensi dengan false positives sebagai garis horizontal dan true positive sebagai garis vertical.[11]. III. METODOLOGI PENELITIAN Penelitian yang digunakan adalah penelitian Experiment. Penelitian eksperimen melibatkan penyelidikan perlakuan parameter/variabel tergantung pada penelitinya dan menggunakan tes yang dikendalikan oleh si peneliti itu sendiri. Pada metode penelitian eksperimen, digunakan model proses CRISP-DM (Cross- Standard Industry Process for Data Mining) yang terdiri dari 6 tahapan[9]: 1. Bussiness Understanding 2. Data Understanding 3. Data Preparation 4. Modelling 5. Evaluation 6. Deployment 1. Bussiness Understanding Berdasarkan data nasabah kredit tahun 2014, terlihat bahwa nasabah dengan status kreditnya macet lebih banyak dari nasabah yang status kreditnya lancar, hal ini menjadi sebuah masalah dan kendala bagi Bank Mayapada Mitra Usaha cab PGC khususnya karna akan berakibat pada kurang

akuratnya analisa kredit. Dalam beberapa penelitian telah dilakukan proses analisa kredit dengan menggunakan Naive Bayes Classifier. 2. Data Understanding Data yang didapatkan dari Bank Mayapada Mitra Usaha Cab PGC dan sekitarnya (plasma) adalah data kredit nasabah tahun 2014. Atribut atau variabel yang ada sebanyak 22 atribut (data lengkapnya bisa dilihat dilampiran). Setelah dilakukan proses data preparation, atribut atau variabel yang digunakan terdiri dari 10 atribut yang terdapat dalam data status kredit nasabah. Variabel-variabel tersebut ada yang tergolong variabel prediktor atau pemrediksi (Predictor Variable) yaitu variabel yang dijadikan dasar sebagai penentu resiko kredit. Variabel prediktor yaitu jenis usaha, status tempat usaha, lama usaha, sistem penjualan, sistem pembelian, omset per bulan, gross profit margin, repayment capacity, dan fasilitas. Sedangkan variabel tujuan adalah kolek nasabah (yang menunjukan status kredit lancar atau macet) 3. Data Preparation Pada tahapan ini data sebanyak 300 dan atribut yang terdiri dari 22 atribut, akan dilakukan beberapa penyeleksian untuk menghasilkan data yang dibutuhkan, tahapannya yaitu: a. Data Cleaning untuk membersihkan nilai yang kosong atau tuple yang kosong. b. Data Integration yang berfungsi menyatukan tempat penyimpanan yang berbeda kedalam satu data. Data Reduction, jumlah atribut yang digunakan terlalu banyak dan tidak semua atribut menjadi syarat atas atribut penentu sehingga yang digunakan hanya 10 Atribut 4. Modelling Pada tahap ini, data preparation yang telag didapatkan akan dilakukan pemodelan Algoritma Naive Bayes Classifier yang disebut dengan model probabilitas Naive Bayes dimana dalam probabilitas itu dilakukan perhitungan manual dengan cara menghitung probabilitas prior dan probabilitas posterior, kemudian dimasukan kedalam tools rapidminer dengan menggunakan algoritma Naive Bayes . 5. Evaluation Pada tahap evaluasi, disebut tahap klasifikasi karena pada tahap ini akan ditentukan pengujian untuk akurasi. Tahap pengujiannya adalah melihat hasil akurasi pada proses klasifikasi Algoritma Naive Bayes dan klasifikasi Naive Bayes berbasis Particle Swarm Optimization serta evaluasi dengan ROC Curve. Penjelasan secara lengkap tentang membandingkan kedua model tersebut terdapat pada bab IV. 6. Deployment Pada tahapan deployment, dilakukan penerapan model algoritma klasifikasi Naive Bayes berbasis Particle Swarm Optimization untuk menentukan kelayakan pemberian kredit berdasarkan faktor usaha nasabah/debitur pada Bank Mayapada atau dalam obyek penelitian ini adalah Bank Mayapada Mitra Usaha Cabang PGC.

11 ISSN. 2442-2436 // Penentuan Kelayakan Kredit …


Vol. III, No. 1, Februari 2017 Penjual an

IV. HASIL DAN PEMBAHASAN 1. Eksperimen dan Pengujian Metode. Pada tahap ini dilakukan eksperimen dan pengujian model yaitu menghitung dan mendapatkan rule-rule yang ada pada model algoritma yang diusulkan. Dimana dalam penelitian ini bertujuan untuk mengembangkan model yang sudah terbentuk dengan algoritma Naïve Bayes Classifier. Data dianalisa dengan melakukan dua perbandingan yaitu menggunakan algoritma Naïve Bayes Classifier 1.1 Model Algoritma Naïve Bayes Classifier A. Menghitung Probabilitas Prior Eksperimen yang penulis lakukan dalam penelitian ini adalah dengan menghitung Probabilitas Prior dan Probabilitas Posterior dengan menggunakan data sebanyak 300 record data. Menghitung Probabilitas Prior dan Probabilitas posterior, dalam bentuk persamaan dibawah ini: Total data = 300 Data kredit lancar = 112 Data kredit macet = 188 P(Lancar) = 112 : 300 = 0.373 P(Macet) = 188 : 300 = 0.627 Setelah didapatkan nilai probabilitas untuk tiap hipotesis dari class, maka langkah selanjutnya adalah melakukan penghitungan terhadap kondisi probabilitas tertentu (Probabilitas X) dengan menggunakan data berdasarkan probabilitas tiap hipotesis (Probabilitas H) atau yang dinamakan dengan probabilitas Prior. Selanjutnya untuk mengetahui hasil perhitungan dari Probabilitas Prior, maka dilakukan penghitungan dengan cara merinci jumlah kasus dari tiap-tiap atribut variabel data, adapun hasil perhitungan probabilitas prior dengan menggunakan Algoritma Naïve Bayes dapat dilihat pada tabel 2 berikut: Tabel 2 Perhitungan Probabilitas Prior Jumlah Data (S) 300

Kredit Lancar (Si) 112

Kredit Macet (Si) 188

Lancar 0.373

Macet 0.627

164

37

127

0.33

0.675

136

75

61

0.669

0.324

156

77

79

0.687

0.42

144

35

109

0.312

0.579

Lama Usaha

> 5 Tahun

186

70

116

0.625

0.617

3 - 5 Tahun

114

42

72

0.375

0.382

Sistem

Cash 100 %

151

92

59

0,821

0,314

Atribut/ Variabel Total Usaha Mikro 1 (Primer) Jenis Usaha Usaha Mikro 0 (Sekunder) Milik Status Tempat Sendiri Usaha Kontrak

12

Sistem Pembel ian

Omset/ Bulan

Gross Profit Margin

Repay ment Capacit y

Fasilita s

Cash ≥ 80 % dan < 100 %, Kredit ≥ 10 % dan ≤ 20 %

49

20

29

0,179

0,154

Cash 100 %

256

85

171

0,759

0,910

Cash ≥ 80 % dan < 100 %, Kredit ≥ 1 % dan ≤ 20 %

44

27

17

0,241

0,090

> 150 Juta

121

38

83

0,339

0,441

31

2

29

0,018

0,154

34

6

28

0,054

0,149

95

65

30

0,580

0,160

< 25 Juta

19

1

18

0,009

0,096

> 20 %

109

12

97

0,107

0,516

40

5

35

0,045

0,186

41

8

33

0,071

0,176

110

87

23

0,777

0,122

206

108

98

0,964

0,521

81

3

78

0,027

0,415

13

1

12

0,009

0,064

KU1

186

82

104

0,732

0,553

KU2

114

30

84

0,268

0,447

> 100 - 150 Juta > 50 - 100 Juta > 25 - 50 Juta

> 15 % - 20 % > 10 % 15% > 5 % - 10 % ≥3X Angsuran ≥ 2,5 - 3 X Angsuran ≥ 2 - 2,5 Angsuran

Sumber : hasil Penelitian 2016 Setelah melakukan pengolahan data tersebut diatas, maka terdapat dua class yang dibentuk pada Probabilitas Prior, yaitu: Class Kredit = Lancar Class Kredit = Macet

P(X|Ci)

B. Menghitung Probabilitas Posterior. Tahapan selanjutnya adalah menggunakan Probabilitas Prior untuk menentukan class terhadap temuan kasus baru, dengan cara terlebih dahulu menghitung Probabilitas Posteriornya, hal tersebut dilakukan apabila ditemukan kasus baru dalam pengolahan data. Berikut tabel probabilitas posterior untuk menghitung kasus baru yang ditemukan:

Tabel 3 Penghitungan Probabilitas Posterior. Atrbibut Jenis Usaha

Data X Nilai (Value) 1 (Primer)

Lancar 0,33

P(X|Ci) Macet 0,68



Status Usaha

Vol. III, No. 1, Februari 2017 Tempat

Kontrak

0,31

0,58

Lama Usaha Sistem Penjualan Sistem Pembelian Omzet per Bulan Gross Profit Margin

>3 – 5 Tahun Cash 100% Cash 100% > 25 – 50 Juta > 20 %

0,38 0,82 0,76 0,58 0,11

0,38 0,31 0,91 0,25 0,52

Repayment Capacity Fasilitas

≥ 3 X Angsuran

0,96

0,52

KU1

0,73

0,55

Sumber : Hasil Penelitian 2016 Selanjutnya setelah mengetahui nilai probabilitas dari setiap atribut terhadap probabilitas tiap class atau yang dirumuskan dalam bentuk persamaan P(X|Ci), maka langkah berikutnya adalah melakukan penghitungan terhadap total keseluruhan probabilitas tiap class.Berikut persamaan untuk menghitung probabilitas tiap class: P(X| Kredit = Lancar)= P(Jenis Usaha = 1 (Primer) | Kredit = Lancar) * P(Status Tempat Usaha = Kontrak | Kredit = Lancar)* P(Lama Usaha = > 3 - 5 Tahun | Kredit = Lancar)* P(Sistem Penjualan = Cash 100 % | Kredit = Lancar)* P(Sistem Pembelian = Cash 100 % | Kredit = Lancar)* P(Omzet per Bulan = > 25 – 50 Juta | Kredit = Lancar) * P(Gross Profit Margin = > 20 % | Kredit = Lancar) * P(Repayment Capacity = ≥ 3 X Angsuran | Kredit = Lancar) * P(Fasilitas= KU1 | Kredit = Lancar) = 0,33 * 0,31 * 0,38 * 0,82 *0,76 * 0,58 *0,11 * 0,96 *0,73 = 0,001083 P(X| Kredit = Macet) )= P(Jenis Usaha = 1 (Primer) | Kredit = Macet) * P(Status Tempat Usaha = Kontrak | Kredit = Macet)* P(Lama Usaha = > 3 - 5 Tahun | Kredit = Macet)* P(Sistem Penjualan = Cash 100 % | Kredit = Macet)* P(Sistem Pembelian = Cash 100 % | Kredit = Macet)* P(Omzet per Bulan = > 25 – 50 Juta | Kredit = Macet) * P(Gross Profit Margin = > 20 % | Kredit = Macet) * P(Repayment Capacity = ≥ 3 X Angsuran | Kredit = Macet) * P(Fasilitas= KU1 | Kredit = Macet) = 0,68 * 0,58 * 0,38 * 0,31 * 0,91 * 0,25 * 0,52 * 0,52 *0,55 = 0,001571 P(X|Kredit = Lancar)P(Lancar) = 0,001083 * 0,373 = 0,000403 P(X|Kredit = Macet)P(Macet) = 0,001571 * 0,627 = 0,000985 Hasil perhitungan terhadap probabilitas tiap class diatas, diketahui bahwa nilai P(X|Macet) lebih besar daripada nilai P(X|Lancar), sehingga dapat diambil kesimpulan bahwa dalam kasus Kredit tersebut akan masuk kedalam klasifikasi tingkat kredit Macet. Berikut gambar pengujian modelnya menggunakan Tools Rapidminer

Sumber : Hasil penelitian 2016

Gambar 2 Pengujian Model Algoritma Naïve Bayes Classifier 1.2 Evaluasi dan Validasi hasil. Untuk mendapatkan nilai akurasi yang benar, maka diperlukan proses klasifikasi dan alat ukur yang tepat, karena keakuratan klasifikasi merupakan alat ukur yang bisa menunjukkan bagaimana cara untuk mengklasifikasi sehingga dapat mengidentifikasi data objek dengan benar [9]. Proses pengujian terhadap nilai akurasi dapat dilakukan dengan cara melakukan evaluasi tingkat akurasi dari algoritma. Tools yang digunakan untuk pengujian adalah software rapid miner serta mengunakan model Confussion Matrix dan kurva ROC (Receiver Operating Characteristic). 1.3 Hasil Pengujian Model Algoritma Naïve Bayes Classifier Hasil dari pengujian model yang telah dilakukan adalah untuk mengukur tingkat akurasi dan AUC (Area Under Cover) a. Confussion Matrix Gambar 4 merupakan pengujian tools rapidminer dengan jumlah data 300 record. Berikut tabel yang didapat:




Tabel 4 Model Confussion Matrix algoritma Naïve Bayes Classifier

Sumber: Hasil Penelitian 2016

Jumlah True Positive (TP) adalah 97 record diklasifikasikan sebagai kredit LANCAR dan False Negative (FN) sebanyak 17 record diklasifikasikan sebagai kredit LANCAR tetapi kredit MACET. Berikutnya 171 record untuk True Negative (TN) diklasifikasikan sebagai kredit MACET, dan 15 record False Positive (FP) diklasifikasikan sebagai kredit MACET tetapi kredit LANCAR. Berdasarkan tabel 4.5 tersebut menunjukan bahwa, tingkat akurasi dengan menggunakan algortima Naïve Bayes Classifier adalah sebesar 89,33% dan dapat dihitung untuk mencari nilai accuracy, sensitivity, specificity, ppv, dan npv pada persamaan dibawah ini: acc = (tp +tn) / ( tp+tn+fp+fn)  acc = (97+171) / (97+171+15+17) sensitivity = (tp) / ( tp+ fn)  97 / (97 +17) specitivity = (tn) / ( tn+ fp)  171 / (171 +15) ppv = (tp) / ( tp+ fp)  97 / (97 + 15) npv = (tn) / ( tn+ fn)  171 / (171 + 17) Hasil dari perhitungan persamaan diatas terlihat pada Tabel 5 dibawah ini: Tabel 5. Nilai accuracy, sensitivity, specificity, ppv dan npv Parameter Nilai (%) Accuracy 89,33% Sensitivity 85.09% Specitivity 91.94% PPV 86.61 % NPV 90.96% b.

Evaluasi ROC Curve Grafik 4 merupakan terdapat grafik ROC dari tebel 5, dengan nilai AUC (Area Under Cover) sebesar 0.955 dengan nilai akurasi Excellent Classification.

14

Sumber : Hasil Penelitian 2016

Gambar 3. Nilai AUC dalam grafik ROC Algoritma Naïve Bayes V.

KESIMPULAN

Hasil penelitian untuk nilai akurasi algoritma klasifikasi Naïve Bayes Classifier adalah 89.33%, Sementara untuk evaluasi menggunakan ROC Curve untuk model klasifikasi Naïve Bayes Classifier nilai AUC adalah 0.955 dengan tingkat diagnosa Excellent Classification. Berdasarkan proses pengujian dan kesimpulan yang telah dilakukan, maka ada beberapa saran dalam penelitian ini yaitu: 1. Penelitian ini hanya menggunakan metode naive bayes diharapkan untuk penelitian selanjutnya bisa digunakan metode lain sehingga dapat dikomparasi 2. Untuk nilai akurasi yang lebih baik sebaiknya menggunakan metode optimasi seperti PSO (Particle Swarm Optimiztion), GA (Genetic Algorithm) dan lainnya 3. Penambahan jumlah data dan atribut dapat memungkinkan untuk meningkatkan nilai akurasi 4. Pada Bank Mayapada Mitra Usaha Cabang PGC, dapat ditingkatkan sistem analisa kredit untuk penentuan kelayakan pemberian kredit bagi calon debitur. REFERENSI [1] Xhemali, D., Hinde, C.J. and Stone. R.G. (2009). Naive Bayes vs Decision Trees vs. Neural Network in the Classification of Training Web Pages. IJCSI International Journal of Computer Science Issues, 4(1). Pp. 16-23. [2] Yap, Bee W., Ong, Seng H., and Husain. N.H.M, (2011). Using Data Mining to Improve Assessment of Credit Worthiness via Credit Scoring Models. Expert System with Applications, 38(2011) 13274-13283 [3] Undang-Undang Republik Indonesia Nomor 10 Tahun 1998 tentang perubahan atas Undang-Undang Nomor 7 Tahun 1992 tentang perbankan. [4] Larose, D.T.( 2005). Discovering Knowledge in Data. Canada: Wiley-Interscience.




[5] Larose, D.T.( 2005). Discovering Knowledge in Data. Canada: Wiley-Interscience. [6] Xhemali, D., Hinde, C.J. and Stone. R.G. (2009). Naive Bayes vs Decision Trees vs. Neural Network in the Classification of Training Web Pages. IJCSI International Journal of Computer Science Issues, 4(1). Pp. 16-23. [7] Han, J., and Kamber, M. (2006). Data Mining Concept and Techniques. San Francisco: Diane Cerra.

[8] Bramer, Max. (2007). Principles of Data Mining. London: Springer. ISBN-10: 1-84628-765-0, ISBN-13: 978-1-84628-765-7 [9] Gorunescu, Florin. (2011). Data Mining Concepts, Models and Techniques. Intelligent System Reference Library, Vol 12, ISBN 978-3-642-19721-5. [10] Han, J., and Kamber, M. (2006). Data Mining Concept and Techniques. San Francisco: Diane Cerra. [11] Vercellis, Carlo. (2009). Business Intelligence: Data Mining and Optimization for Decision Making. United Kingdom: John Willey & Son


Penentuan Kelayakan Kredit Dengan Algoritma Naïve Bayes Classifier: Studi Kasus Bank Mayapada Mitra Usaha Cabang PGC

Recommend Documents