Kredit merupakan dana yang diberikan oleh bank kepada pihak lain berdasarkan perjanjian pinjam-meminjam, yang mewajibkan peminjam melunasi pinjamannya setelah jangka waktu tertentu. Sebelum memberi kredit, bank perlu menganalisis kemampuan nasabah dalam melunasi utangnya untuk mengurangi resiko kredit. Analisis kredit yang dilakukan oleh bank terkadang tidak akurat, sehingga menimbulkan kredit macet. Masalah ini akan diselesaikan dengan memanfaatkan teknologi data mining, yaitu membuat pohon keputusan menggunakan algoritma C4.5 untuk memprediksi kelayakan kredit. Tetapi, algoritma C4.5 memiliki masalah penurunan akurasi ketika dihadapkan dengan atribut dan jumlah data yang besar. Masalah ini akan diselesaikan dengan metode Feature Selection dan Stratified Sampling yang terbukti dapat menyelesaikan masalah atribut dan jumlah data yang besar. Hasil penelitian menunjukkan bahwa pohon keputusan yang dihasilkan dari algoritma C4.5 memiliki akurasi cukup baik sebesar 79,11% dan metode Feature Selection dan Stratified Sampling berhasil meningkatkan akurasi algoritma C4.5 sebesar 9,2% dalam memprediksi kelayakan kredit. Kata kunci - Optimasi Algoritma C4.5, Feature Selection, Stratified Sampling, Kelayakan Kredit, Atribut dan Jumlah Data yang Besar
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.