Optimasi data mining menggunakan sample boootstrapping dan particle swarm optimization dalam klasifikasi persetujuan kredit
| Main Author: | Andre Alvi Agustian, . |
|---|---|
| Format: | Lainnya NonPeerReviewed Book |
| Bahasa: | ind |
| Terbitan: |
Universitas Pamulang
, 2018
|
| Subjects: | |
| Online Access: |
http://eprints.unpam.ac.id/6466/1/COVER%20-%20DAFTAR%20TABEL.pdf http://eprints.unpam.ac.id/6466/2/BAB%20I.pdf http://eprints.unpam.ac.id/6466/3/BAB%20II.pdf http://eprints.unpam.ac.id/6466/4/BAB%20III.pdf http://eprints.unpam.ac.id/6466/5/BAB%20IV.pdf http://eprints.unpam.ac.id/6466/6/BAB%20V.pdf http://eprints.unpam.ac.id/6466/7/Jurnal.pdf http://eprints.unpam.ac.id/6466/ |
Daftar Isi:
- Persetujuan kredit merupakan sebuah proses yang dilakukan oleh pihak bank atau perusahaan penyedia kredit. Dimana proses tersebut dilakukan berdasarkan permintaan kredit maupun pengajuan kredit dari pihak peminjam. Persetujuan kredit sering kali menyulitkan pihak bank atau perusahaan penyedia kredit. Dimana banyaknya permintaan dan klasifikasi yang harus dilakukan terhadap berbagai data yang diajukan. Penelitian ini bertujuan agar pihak bank atau perusahaan penerbit kartu kredit dapat melakukan proses persetujuan kredit dengan efektif dan akurat dalam menentukan status pengajuan yang sudah dilakukan. Penelitian ini menggunakan teknik data mining. Dalam penelitian ini penulis menggunakan dataset Credit Approval dari UCI Machine Learning, dengan label Yes atau No. Penelitian ini menggunakan 14 atribut sebagai masukan sistem. Penelitian ini menggunakan algoritma C4.5 dan Naive Bayes dimana dibutuhkan optimasi menggunakan Sample Bootstrapping dan Particle Swarm Optimization (PSO) pada algoritma tersebut agar hasil dari penelitian menghasilkan tingkat akurasi yang baik dan termasuk dalam klasifikasi yang baik. Setelah menggunakan optimasi tersebut, menghasilkan tingkat akurasi C4.5 yang awalnya 85,99% dan nilai AUC 0,904 menjadi 94,44% dengan nilai AUC sebesar 0,969 dan Naive Bayes yang awalnya memiliki nilai akurasi sebesar 83,09% dengan nilai AUC 0,916 menjadi 90,10% dengan nilai AUC sebesar 0,944. Kata Kunci : Klasifikasi Persetujuan Kredit, Data mining, Algorithm C4.5, Naive Bayes, Comparison Algorithm, Particle Swarm Optimization, Sample Bootstrapping.