SNIPTEK 2014
ISBN: 978-602-72850-5 -7
ALGORITMA KLASIFIKASI C4.5 BERBASIS PARTICLE SWARM OPTIMIZATION UNTUK PREDIKSI KELAYAKAN KREDIT Abdussomad STMIK Nusa Mandiri
[email protected]
ABSTRAK----Kredit
merupakan suatu kepercayaan seseorang yang diberikan kepada seseorang atau badan lainnya dimana yang bersangkutan pada masa yang akan datang akan memenuhi segala sesuatu kewajiban yang telah disepakati sebelumnya. beberapa masalah yang sering terjadi pada lembaga pengkreditan misalkan tunggakan konsumen yang sebelumnya dianggap layak menerima kredit, macetnya status kredit. Munculnya masalah tersebut diakibatkan kurangnya pertimbangan atau kemantapan analisis kredit dalam menentukan kelayakan kredit pada saat konsumen mengajukan pengkreditan. Oleh karena itu perlu dilakukan analisis kredit sehingga dapat mengetahui kelayakan dari suatu permasalahan kredit, Melalui hasil analisis kreditnya, dapat diketahui apakah nasabah layak atau tidak. dari permasalahan yang ada digunakan metode klasifikasi untuk memprediksi kelayakan kredit yaitu dengan menggunakan dua model, model algoritma klasifikasi C4.5 dan model algoritma klasifikasi C4.5 berbasis Particle Swarm Optimization (PSO) Setalah dilakukan pengujian dengan dua model tersebut didapatkan hasil yaitu algoritma klasifikasi C4.5 menghasilkan nilai akurasi sebesar 90,99% dan nilai AUC sebesar 0,911 dengan tingkat diagnosa Excellent Classification, namun setelah dilakukan optimasi dengan algoritma klasifikasi C4.5 berbasis Particle Swarm Optimization nilai akurasi sebesar 91,18% dan nilai AUC sebesar 0,913 dengan tingkat diagnosa Excellent Classification.
Windu Gata STMIK Nusa Mandiri
[email protected]
Sehingga kedua metode tersebut memiliki perbedaan tingkat akurasi sebesar 0,18%. Kata Kunci: Analisis kredit, algoritma C4.5, Particle Swarm Optimization
ABSTRACT----Credit is a belief that one is given to a person or other entity which is concerned in the future will fulfill all the obligations previously agreed. some of the problems that often occur in the crediting institutions eg consumer arrears were previously deemed worthy of receiving credit, the breakdown of credit status. The emergence of the problem as a lack of consideration or the stability of credit analysis in determining credit worthiness when consumers apply for crediting. Therefore it is necessary to do credit analysis so as to determine the feasibility of a credit crunch, through credit analysis results, it can be seen whether the customer is feasible or not. of the existing problems of classification method is used to predict credit worthiness is by using two models, models classification algorithm C4.5 and C4.5 classification algorithm model based Particle Swarm Optimization (PSO). After testing with these two models found that the result C4.5 classification algorithm generates a value of 90.99% accuracy and AUC value of 0.911 to the level diagnostics Classification Excellent, but after the optimization with C4.5 classification algorithm based on Particle Swarm Optimization accuracy values amounted to 91.18% and the AUC value of 0.913 to the level of diagnosis Excellent Classification. So that both methods have different accuracy level of 0.18%.
Keyword: Credit analysis, Algoritma C4.5, Particle Swarm Optimization.
PENDAHULUAN Surat Keputusan Bersama Menteri Keuangan, Perindustrian dan Perdagangan No.1169 /KMK.01/ 1991 tanggal 21 Nopember 1991 tentang kegiatan Sewa Guna Usaha, Leasing adalah setiap kegiatan pembiayaan perusahaan dalam bentuk penyediaan
barang-barang modal untuk digunakan oleh suatu perusahaan untuk jangka waktu tertentu, berdasarkan pembayaran-pembayaran berkala disertai dengan hak pilih (opsi) bagi perusahaan tersebut. Leasing memiliki permasalahan yang erat dengan hal kredit, beberapa masalah yang sering
INF-398
SNIPTEK 2014 terjadi pada lembaga pengkreditan disebabkan ulah konsumen, misalkan tunggakan konsumen yang sebelumnya dianggap layak menerima kredit, macetnya status kredit yang dikarenakan faktor ekonomi konsumen dalam melakukan pembayaran angsuran yang mengakibatkan ditariknya barang atau motor yang dikredit tersebut. Munculnya masalah tersebut diakibatkan kurangnya pertimbangan atau kemantapan analisis kredit dalam menentukan kelayakan kredit pada saat konsumen mengajukan pengkreditan. Terdapat beberapa penelitian dan teknik analisa kredit yang dilakukan oleh para peneliti seperti Yi Jiang (2009) Membuat model untuk memprediksi nasabah yang bermasalah dan tidak bermasalah dalam pembayaran kredit dengan menggunakan model Pohon Keputusan dan C4.5 dan Simulated Annealing Algoritma. Firmansyah (2011) menerapkan algoritma klasifikasi C4.5 untuk penentuan kelayakan pemberian kredit koperasi. Jozef Zurada (2010) melakukan penelitian untuk membandingkan beberapa algoritma seperti Regresi Linier, Neural Network, Support Vector Machine, Case Base Reasoning, Rule Based Fuzzy Neural Network dan Decision Tree. Semua model algoritma diatas digunakan untuk menganalisa persetujuan pinjaman dalam bentuk kredit. Dari hasil penelitian didapatkan bahwa Decision Tree terbukti mempunyai akurasi tertinggi dalam menentukan keputusan dibandingkan algoritma lain. Salah satu algoritma optimasi yang cukup populer adalah Particle Swarm Optimization (PSO). Algoritma PSO terinspirasi dari kelompok yang dinamis dan dapat bersinergi dan dapat terorganisir dari simulasi komputer dari pergerakan koordinat (Sousa, Silva, & Neves, 2004). Ketika diterapkan dalam algoritma klasifikasi, PSO mampu meningkatkan akurasi lebih baik dari pada Genetic Algorithm. Untuk mengatasi permasalahan diatas, pada penelitian ini menggunakan model pohon keputusan algoritma C4.5 untuk membentuk model klasifikasi kelayakan kredit. Algoritma PSO akan digunakan untuk memillih attribut yang digunakan serta memberikan bobot akar perhitungan menjadi lebih sederhana Sehingga dapat membentuk model yang handal untuk mengetahui pola calon nasabah yang akan melakukan pengkreditan dan menentukan kelayakan kredit pada nasabah tersebut
BAHAN DAN METODE Data mining Data mining adalah proses pengambilan pengetahuan dari volume data yang besar yang disimpan dalam basis data, data warehouse, atau informasi yang disimpan dalam repositori (Han & Kamber, 2012). Data Mining (DM) adalah inti dari proses Knowledge Discovery in Database (KDD), yang melibatkan algoritma dalam mengeksplorasi data,
INF-399
ISBN: 978-602-72850-5 -7 mengembangkan model dan menemukan pola yang sebelumnya tidak diketahui (Maimon, 2010). Model ini digunakan untuk memahami fenomena dari data, analisis dan prediksi. KDD adalah proses terorganisir untuk mengidentifikasi pola yang valid, baru, berguna, dan dapat dimengerti dari sebuah dataset yang besar dan kompleks. Knowledge Discovery in Database (KDD) memiliki langkah-langkah seperti terlihat pada gambar 1 (Maimon, 2010) :
Gambar 1: Proses KDD proses data mining paling populer yaitu proses Cross-Industry Standard Process for Data Mining (CRISP-DM), berikut tahapan-tahapan dari proses CRISP-DM (Brown, 2014) : 1. Business Understanding 2. Data Understanding 3. Data Preparation 4. Modeling 5. Evaluation 6. Deployment (using models in everyday business) Beberapa teknik dan sifat data mining (Hermawati, 2013) adalah sebagai berikut: 1. 2. 3. 4. 5. 6.
Classification [Predictive] Clustering [Descriptive] Association Rule [Descriptive] Sequential Pattern Discovery [Descriptive] Regression [Predictive] Deviation Detection [Predictive]
Algoritma Klasifikasi C4.5 Salah satu teknik klasifikasi yang paling populer digunakan dalam proses data mining adalah classification and decision trees (pohon keputusan). Pohon keputusan digunakan untuk memprediksi keanggotaan objek untuk kategori yang berbeda (kelas), dengan mempertimbangkan nilai-nilai yang sesuai dengan attribut mereka atau variabel prediktor (Gorunescu, 2011). Dalam proses pengujian attribut, cabang baru yang terbentuk akan diperhatikan dari tipe attribut (Han & Kamber, 2012). terdapat 3 jenis cabang yang mungkin muncul dalam pohon keputusan, yaitu : 1. Jika attribut bernilai diskrit, maka cabang yang terbentuk akan selalu sama dengan jumlah variasi nilai yang terdapat pada attribut tersebut.
SNIPTEK 2014 2. Jika cabang bernilai kontinyu, maka akan dipecahkan menurut titik perpecahan, sedangkan titik perpecahan dikalkulasi dengan masing masing algoritma penyusun pohon keputusan. Cabang perpecahan yang terbentuk akan berpola seperti ≤ attribut, dan satu cabang lagi > attribut 3. Jika attribut yang diuji bernilai biner, maka cabang yang terbentuk pasti dua dan melibatkan nilai ya atau tidak. Tahapan dalam membuat sebuah pohon keputusan dengan algoritma C4.5 (Gorunescu, 2011) yaitu: 1. Mempersiapkan data training, dapat diambil dari data histori yang pernah terjadi sebelumnya dan sudah dikelompokan dalam kelas-kelas tertentu. 2. Menentukan akar dari pohon dengan menghitung nilai gain yang tertinggi dari masing-masing attribut atau berdasarkan nilai index entropy terendah. Sebelumnya dihitung terlebih dahulu nilai index entropy, dengan rumus:
Keterangan: i = himpunan kasus m = jumlah partisi i f(i,j) = proposi j terhadap i 3. Hitung nilai gain dengan rumus berikut :
Keterangan: p = jumlah partisi attribut ni = proporsi ni terhadap i n = jumlah kasus dalam n 4. Ulangi langkah ke-2 hingga semua record terpartisi. Adapun proses partisi pada pohon keputusan akan berhenti jika: a. Semua tupel pada record dalam simpul m mendapat kelas yang sama. b. Tidak ada attribut dalam record yang dipartisi lagi c. Tidak ada record di dalam cabang yang kosong. Particle Swarm Optimization Algoritma PSO pertama kali diusulkan oleh Kennedy dan Eberhart pada tahun 1995. Particle swarm optimization (PSO) adalah jenis algoritma kecerdasan yang berasal dari perilaku kawanan burung mencari makan (Yun, Qiu-yan & Hua, 2011). Particle swarm optimization (PSO) merupakan teknik komputasi evolusioner yang mampu menghasilkan
ISBN: 978-602-72850-5 -7 solusi secara global optimal dalam ruang pencarian melalui interaksi individu dalam segerombolan partikel. Secara umum PSO memiliki karakteristik yaitu konsepnya sederhana, mudah implementasinya, efisien dalam komputasi. PSO merupakan metode berbasis populasi seperti GA (Genetic Algorithm), tetapi konsep dasar PSO adalah kerjasama bukan persaingan. PSO menggunakan teknik perhitungan evolusioner (Hu, Eberhart, & Shi, 2003): 1. PSO diinisialisasi dengan sekumpulan solusi acak 2. PSO mencari solusi yang optimum dengan memperbaharui generasi 3. Perkembangan populasi berdasarkan pada generasi sebelumnya Untuk menemukan solusi yang optimal, maka setiap partikel akan bergerak kearah posisi yang terbaik sebelumnya (pbest) dan posisi terbaik secara global (gbest). Sebagai contoh, partikel ke-i dinyatakan sebagai : xi = (xi,1, xi,2 ... x-i,d) dalam ruang d-dimensi. Posisi terbaik sebelumnya dari partikel kei disimpan dan dinyatakan sebagai pbesti=(pbesti,1, pbesti,2, ... pbesti,d). Pengujian K-Fold Cross Validation Cross Validation adalah teknik validasi dengan membagi data secara acak kedalam k bagian dan masing-masing bagian akan dilakukan proses klasifikasi (Han & Kamber, 2012). Data yang digunakan dalam percobaan ini adalah data training untuk mencari nilai error rate secara keseluruhan. Secara umum pengujian nilai k dilakukan sebanyak 10 kali untuk memperkirakan akurasi estimasi. Dalam penelitian ini nilai k yang digunakan berjumlah 10 atau 10-fold Cross Validation. Confusion Matrix Confusion Matrix adalah alat (tools) visualisasi yang biasa digunakan pada supervised learning. Tiap kolom pada matriks adalah contoh kelas prediksi, sedangkan tiap baris mewakili kejadian di kelas yang sebenarnya (Gorunescu, 2010). Confusion matrix berisi informasi aktual (actual) dan prediksi (predicted) pada sisitem klasifikasi. ROC Curve Dalam masalah klasifikasi, kurva ROC merupakan teknik untuk memvisualisasikan, mengatur dan memilih pengklasifikasi, berdasarkan kinerja mereka kurva ROC, banyak digunakan dalam menilai hasil prediksi (Gorunescu, 2011). Kurva ROC (Receiver Operating Characteristic) adalah cara lain untuk mengevaluasi akurasi dari klasifikasi secara visual (Vercellis, 2009). Kurva ROC menunjukan akurasi dan membandingkan klasifikasi secara visual. ROC mengekspresikan confusion matrix. ROC adalah grafik dua dimensi dengan false positives sebagai garis horizontal dan true positives untuk mengukur
INF-400
SNIPTEK 2014
ISBN: 978-602-72850-5 -7
perbedaaan performasi metode yang digunakan. ROC Curve adalah cara lain untuk menguji kinerja pengklasifikasian (Gorunescu, 2011).
4
5
6
Gambar 2: Grafik ROC (discrete dan continous) Tingkat akurasi dapat di diagnosa sebagai berikut (Gournescu, 2011): Akurasi 0.90 – 1.00 = Excellent classification Akurasi 0.80 – 0.90 = Good classification Akurasi 0.70 – 0.80 = Fair classification Akurasi 0.60 – 0.70 = Poor classification Akurasi 0.50 – 0.60 = Failure
HASIL DAN PEMBAHASAN Pengumpulan data Data yang didapat dari sebuah leasing di Kota Karawang pada periode Desember 2015, Jumlah data yang digunakan sebanyak 1044 record, dengan 8 attibut Prediktor yaitu Status, Pekerjaan, Penghasilan, Object, Dp_Net, Otr, Tenor, Angsuran, dan attribut Kondisi sebagai kelas atau label. Data diatas menunjukkan pada angka 620 data nasabah bermasalah (Macet) dan 424 data nasabah tidak bermasalah (Lancar). Kemudian dilakukan teknik preprocesing menggunakan aplikasi Rapidminer sehingga menghasilkan candidate split seperti tabel 1 dibawah ini : Tabel 1 Candidate Split Cand. Child Nodes Split 1 OTR OTR ≤ 12862500 > 12862500 ≤ 13387500 > 13387500 ≤ 20965000 > 20965000 ≤ 21115000 > 21115000 2 Angsuran Angsuran ≤ 1216500 > 1216500 ≤ 1376000 > 1376000 ≤ 2117000 > 2117000 3 Pekerjaan Peg.swasta formal Wiraswasta formal Wiraswasta non formal Peg negeri Peg. Swasta non formal 4 Penghasilan (Juta) 0-5
INF-401
7
5-10 >10 Tenor ≤ 20 ≤ 34.500 Status Penjamin Pemohon Tunggal DP NET ≤ 2250000 ≤ 2400000 ≤ 2725000 ≤ 2775000 ≤ 3800000 ≤ 3813100 ≤ 4113100 Object Motor Bekas Motor Baru
Tenor > 20 > 34.500
> 2250000 > 2400000 > 2725000 > 2775000 > 3800000 > 3813100 > 4113100
A.
Hasil Pengujian Model Algoritma C4.5 Pada tahap ini dilakukan pemrosesan data training sehingga akan menghasilkan beberapa aturan dan akan membentuk sebuah pohon keputusan. Berikut langkah-langkah model algoritma klasifikasi C4.5 yang dilakukan: 1) Menghitung jumlah kasus dengan kondisi Lancar dan kondisi Macet serta Entropy dari semua kasus
= 0,9744 2) Kemudian hitung nilai Entropy dan gain pada masing-masing atribut, sebagai contoh dibawah ini menghitung nilai entropy dan gain untuk atribut OTR : OTR : ≤ 12.862.500 =
dan >12.862.500 =
Jumlah record OTR ≤ 12.862.500 terdiri dari 92 Lancar dan 500 Macet, sedangkan OTR > 12.862.500 terdiri dari 332 Lancar dan 120 Macet. Kemudian dapat dihitung entropynya sebagai berikut :
Gain OTR = 0,9744 - 0,7149 = 0.2595
SNIPTEK 2014 Hasil perhitungan entropy dan selengkapnya dapat dilihat pada Tabel 4.3
ISBN: 978-602-72850-5 -7 gain
Tabel 2 Information Gain untuk Algoritma C4.5 SIMPUL ENTROPY GAIN Jumlah Kasus 0,9744 Candidate ENTROPY GAIN Split OTR ≤ 12862500 0,6232 0,259560324 > 12862500 0,8349 > 13387500 0,8425 0,208610141 ≤ 13387500 0,7162 ≤ 20965000 0,9678 0,00275032 > 20965000 0,9996 > 21115000 0,9863 0,009039814 ≤ 21115000 0,9629 Angsuran > 1216500 0,8951 0,002187399 ≤ 1216500 0,9784 > 1376000 0,9457 0,000368713 ≤ 1376000 0,9760 > 2117000 0,8113 0,004089345 ≤ 2117000 0,9722 Pekerjaan PEG,SWASTA FORMAL 0,9772 WIRASWASTA FORMAL 0,9403 WIRASWASTA NON 0,9703 0,015889231 FORMAL PEG NEGERI 0,0000 PEG. SWASTA NON 0,8610 FORMAL penghasilan 0-5 0,9710 5-10 0,9703 0,0045211124 10 - ... 0,9403 Tenor > 20 0,9919 0,010395086 ≤ 20 0,9073 > 34,500 0,5933 0,062442456 ≤ 34,500 0,9985 Status Penjamin 0,8405 0,082424478 Pemohon 0,9673 Tunggal Dp Net ≤ 2250000 0,8869 0,004432489 > 2250000 0,9816 ≤ 2400000 0,7518 0,024391324 > 2400000 0,9916 ≤ 2725000 0,8352 0,028792892 > 2725000 0,9978 ≤ 2775000 0,8229 0,037323171 > 2775000 0,9995 ≤ 3800000 0,9675 0,001020909 > 3800000 0,9879 ≤ 3813100 0,9675 0,001020909 > 3813100 0,9879
≤ 4113100 > 4113100 Object Motor Bekas Motor Baru
0,9598
0,005163587
0,9989 0,6448 0,8448
0,2438092657
Data diatas menunjukkan attribut OTR dengan split ≤ 12862500 dan > 12862500 memiliki nilai gain tertinggi yaitu 0,259560324, sehingga attribut OTR akan menjadi akar utama dari model tersebut. Lakukan perhitungan entropy dan gain sampai pembentukan akar terakhir. Hasil pengujian dengan K-Fold Cross Validation Algoritma C4.5
Gambar 3: Pengujian K-Fold Cross Validation Algoritma C4.5 Perhitungan nilai akurasi dilakukan dengan menggunakan aplikasi rapidminer. Adapun hasil tes menggunakan algoritma C4.5 ditunjukkan pada Tabel 3. Hasil dari pengujian model yang telah dilakukan adalah untuk mengukur tingkat akurasi dan AUC (Area Under Curve). 1) Confusion Matrix Jumlah True Positive (TP) adalah 332 record diklasifikasikan sebagai LANCAR dan False Negative (FN) sebanyak 2 record diklasifikasikan sebagai LANCAR tetapi MACET. Berikutnya 618 record untuk True Negative (TN) diklasifikasikan sebagai MACET, dan 92 record False Positive (FP) diklasifikasin sebagai MACET ternyata LANCAR. Tabel 3 Konversi confusion matrix algoritma klasifikasi C4.5 accuracy: 90.99% +/- 2.54% (mikro: 91.00%) true true class LANCAR MACET precision pred. 332 2 99.40% LANCAR pred. MACET 92 618 87.04%
INF-402
SNIPTEK 2014 class recall
78.30%
ISBN: 978-602-72850-5 -7 99.68%
Berdasarkan Tabel 3 tersebut menunjukan bahwa, tingkat akurasi dengan menggunakan algoritma C4.5 adalah sebesar 90,99%, dan dapat dihitung untuk mencari nilai accuracy, sensitivity, specificity, ppv, dan npv pada persamaan dibawah ini:
Kesimpulan Hasil perhitungan persamaan di atas ditunjukkan pada Tabel 4 di bawah ini: Tabel 4 Hasil perhitungan algoritma C4.5 Nilai (%) Accuracy 90,99 Sensitivity 99,40 Specitivity 87,04 PPV 78,30 NPV 99,68 2) ROC Curve Pada gambar 4 menunjukkan grafik ROC dengan nilai AUC (Area Under Curve) sebesar 0,911 dengan tingkat diagnosa Excellent Classification
Gambar 4: Nilai AUC dalam Grafik ROC algoritma C4.5 B. Hasil Pengujian Algoritma C4.5 berbasis PSO Dalam menentukan hasil prediksi kredit menggunakan Algoritma C4.5 berbasis PSO pada RapidMiner sebagai berikut:
INF-403
Gambar 5: Pengujian K-Fold Cross Validation Algoritma C4.5 Berbasis PSO Adapun hasil tes menggunakan algoritma C4.5 berbasis PSO ditunjukkan pada Tabel 5. Hasil dari pengujian model yang telah dilakukan adalah untuk mengukur tingkat akurasi dan AUC (Area Under Curve). 1) Confusion Matrix Jumlah True Positive (TP) adalah 332 record diklasifikasikan sebagai LANCAR dan False Negative (FN) sebanyak 0 record diklasifikasikan sebagai LANCAR tetapi MACET. Berikutnya 620 record untuk True Negative (TN) diklasifikasikan sebagai MACET, dan 92 record False Positive (FP) diklasifikasin sebagai MACET ternyata LANCAR Tabel 5 Konversi confusion matrix algoritma klasifikasi C4.5 accuracy: 91.18% +/- 2.90% (mikro: 91.19%) true true class LANCAR MACET precision pred. 332 0 100.00% LANCAR pred. MACET 92 620 87.08% class recall 78.30% 100 % Berdasarkan Tabel 5 tersebut menunjukan bahwa, tingkat akurasi dengan menggunakan algoritma C4.5 adalah sebesar 90,99%, dan dapat dihitung untuk mencari nilai accuracy, sensitivity, specificity, ppv, dan npv pada persamaan dibawah ini:
SNIPTEK 2014
ISBN: 978-602-72850-5 -7
Kesimpulan Hasil perhitungan persamaan di atas ditunjukkan pada Tabel 6 di bawah ini: Tabel 6 Hasil perhitungan algoritma C4.5 berbasis PSO Nilai (%) Accuracy 91,18 Sensitivity 100 Specitivity 87,08 PPV 78,30 NPV 100 2) ROC Curve Pada gambar 20 menunjukkan grafik ROC dengan nilai AUC (Area Under Curve) sebesar 0,913 dengan tingkat diagnosa Excellent Classification
Gambar 6: Nilai AUC dalam Grafik ROC algoritma C4.5 Hasil pohon keputusan algoritma klasifikasi C4.5 berbasis PSO dengan pengujian K-fold cross Validation adalah sebagai berikut:
Gambar 7: Pohon Keputusan Klasifikasi Nasabah untuk Algoritma C4.5 berbasis PSO Implikasi Penelitian Dari hasil evaluasi yang dilakukan diatas, baik secara confusion matrix maupun ROC curve menunjukkan bahwa algoritma klasifikasi C4.5 berbasis Particle Swarm Optimization memiliki nilai akurasi yang lebih tinggi dibandingkan dengan hanya menggunakan algoritma klasifikasi C4.5. Nilai akurasi untuk model algoritma klasifikasi C4.5 sebesar 90,99% dan nilai akurasi algoritma klasifikasi C4.5 berbasis PSO (Particle Swarm Optimization) sebesar 91,18% dengan selisih akurasi sebesar 0,19%, dapat dilihat pada Tabel 7 dibawah ini. Tabel 7 Pengujian Algoritma klasifikasi C4.5 dan C4.5 berbasis PSO Accuracy AUC C4.5 90,99% 0,911 C4.5 berbasis PSO 91,18% 0,913 Berdasarkan tabel 7 diatas, dapat dianalisis bahwa algoritma C4.5 berbasis PSO memiliki memiliki
nilai akurat lebih baik dalam memprediksi kelayakan kredit dengan nilai akurasi tertinggi yaitu 91.18% dan memiliki nilai uji AUC yang tinggi yaitu 0,913 (Excellent Classification).
KESIMPULAN
Dari hasil analisis optimasi Algoritma C4.5 dengan Particle Swarm Optimization (PSO) dapat disimpulkan bahwa nilai akurasi yang didapat model algoritma C4.5 berbasis PSO adalah 91,18%. Lebih baik jika dibandingkan dengan model Algoritma C4.5 menghasilkan nilai akurasi sebesar 90,99%. Dari hasil tersebut didapatkan selisih antara kedua model tersebut sebesar 0,18%. Sedangkan untuk evaluasi menggunakan ROC curve untuk kedua model tersebut memiliki selisih 0,002 dengan rincian model algoritma C4.5 menghasilkan nilai AUC sebesar 0,911dengan tingkat diagnosa Excellent Classification dan model algoritma C4.5 berbasis PSO menghasilkan nilai AUC sebesar 0,913 dengan tingkat diagnosa Excellent Classification. Sehingga dapat disimpulkan bahwa
INF-404
SNIPTEK 2014 penerapan teknik optimasi Particle Swarm Optimization dapat meningkatkan nilai akurasi pada algoritma C4.5 REFERENSI [1] Aggarwal, Charu C. (2015). Data Mining. New York: Springer [2] Brown, Meta S. (2014). Data Mining for Dummies a Wiley Brand. Hoboken: John Wiley & Sons, Inc. [3] Firdaus, Rachmat & Maya Ariyanti. (2009). Manajemen Perkreditan Bank Umum. Bandung: ALFABETA. [4] Firmansyah. (2011). Penerapan Algoritma Klasifikasi C4.5 untuk Penentuan Kelayakan Pemberian Kredit Koperasi. Tesis STMIK Nusa Mandiri. [5] Gorunescu, Florin. (2011). Data Mining : Concepts, Models and Techniques. Chennai: Springer. [6] Han, J., Kamber, M & Jian Pei. (2012). Data Mining: Concepts and Techniques (Third Edition ed.). San Francisco: Elsevier Inc. [7] Hariyani, Iswi. (2010). Restrukturisasi & Penghapusan Kredit Macet. Jakarta: PT Elex Media Komputindo. [8] Hermawati, Fajar Astuti. (2013). Data Mining. Yogyakarta:ANDI. [9] Jiang, Yi. (2009). Credit Scoring Model Based on the Decision Tree and the Simulated Annealing Algorithm. 978-0-7695-3507-4/08 $25.00 © 2008 IEEE. DOI 10.1109/CSIE.2009.481 [10] Lai, Kin Keung, Lean Yu, Ligang Zhou and Shouyang Wang. (2006). Credit Risk Evaluation with Least Square Support Vector Machine. G. Wang et al. (Eds.): RSKT 2006, LNAI 4062, pp. 490–495, 2006. Springer-Verlag Berlin Heidelberg 2006. [11] Larose, Daniel T. (2005). Discovering Knowledge in Data. Hoboken: John Wiley & Sons, Inc. [12] Liao, T Warren & Triantaphyllou E. (2009) Recent Advances in Data Mining of Enterprise Data: Algorithms and Applications. Hackensack: World Scientific Publishing. [13] Maimon, Oded & Lior Rokach. (2010). Data Mining and Knowledge Discovery Handbook. New York: Springer. [14] Muljono, Djoko. (2010). Tax Planing: Menyiasati Pajak dengan Bijak. Yogyakarta: ANDI. [15] Satchidanada, S S & Jay B Simha. (2006). Comparing decision trees with logistic regression for credit risk analysis. SAS APAUGC 2006 MUMBAI. [16] Siallagan, Timbo Faritcan Parlaungan. (2015). Pencarian Nasabah dengan Menggunakan Data Mining dan Algoritma C 4.5 Koperasi Maduma Subang. Jurnal Teknik Informatika dan Sistem Informasi Volume 1 Nomor 3 Desember 2015. eISSN : 2443-2229
INF-405
ISBN: 978-602-72850-5 -7 [17] Sousa, Tiago, Arlindo Silva & Ana Neves. (2004). Particle Swarm based Data Mining Algorithms for classification tasks. Parallel Computing 30 (2004) 767–78. [18] Vercellis, C. (2009). Business Intelligence Data Mining And Optimization For Decision Making . United Kingdom: A John Wiley And Sons, Ltd., Publication. [19] Witten, H. I., Frank, E., & Hall, M. A. (2011). Data Mining Pratical Mechine Learning Tools And Technique. Burlington: Elsevier Inc. [20] Xiaohui Hu, Russell C. Eberhart & Yuhui Shi. (2003). Particle Swarm with Extended Memory for Multiobjective Optimization.0-7803-79144/03/$10.00©2003 IEEE. [21] Yun Ling, Qiu-yan Cao, & Hua Zhang. (2011). Application of the PSO-SVM model for Credit Scoring. Seventh International Conference on Computational Intelligence and Security. DOI 10.1109/CIS.2011.19 [22] Zurada, Josef. (2010). Could Decision Trees Improve the Classification Accuracy and Interpretability of Loan Granting Decisions?. Proceedings of the 43rd Hawaii International Conference on System Sciences -2010. 978-07695-3869-3/10 $26.00 © 2010 IEEE.
