Algoritma Naïve Bayes Untuk Memprediksi Kredit Macet Pada Koperasi Simpan Pinjam

Puspitasari, Diah; Khautsar, Syifa Sintia Al; Mustika, Wida Prima

doi:10.26877/jiu.v4i2.2919

Cited by 8 publications

(7 citation statements)

References 3 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Pada saat melakukan pengumpulan data . Penulis menggunakan beberapa teknik pengumpulan data diantaranya adalah (Puspitasari et al, 2019): a. Observasi Observasi yang dilakukan adalah penulis mengumpulkan data dan pengamatan di SMA Negeri 1 Sungai Are bertemu langsung dengan kepala sekolah, karyawan dan para siswa untuk mendapatkan informasi yang dibutuhkan untuk dipelajari.…”

Section: Teknik Pengumpulan Dataunclassified

Klasifikasi Algoritma C4.5 Dan Naïve Bayes Untuk Memprediksi Menurunnya Hasil Belajar Siswa Secara Daring Pada Masa Pandemi

Hasanah

2022

j. inti nm

View full text Add to dashboard Cite

Abstrak—Dikarenakan adanya virus covid-19 sehingga sistem belajar yang sebelumnya secara langsung atau bertatap muka berganti menjadi pola pembelajaran secara daring. Sistem pembelajaran yang dilakukan secara daring ini memanfaatkan aplikasi seperti WhatsApp dan beberapa aplikasi lain seperti Google Classroom, Google Meet, Zoom, dll. Pada saat menggunakan sistem belajar secara daring tidak seterusnya berjalan lancar, namun ada saja kendala-kendala yang bisa terjadi diantaranya seperti jaringan internet yang belum merata dikarenakan baru ada satu provider, siswa kurang memahami materi yang diajarkan guru hingga faktor lingkungan kurang mendukung untuk belajar dengan fokus. Tujuan penelitian ini adalah untuk Untuk mengklasifikasi penyebab penurunan hasil belajar siswa pada masa pandemi dengan menggunkan metode algoritma c4.5 dan metode naïve bayes. Sumber data pada penelitian diperoleh dari data kuesioner yang dibagikan kepada para siswa di SMA Negeri 1 Sungai Are. Atribut yang digunakan pada penelitian ini yaitu : Waktu belajar, pemahaman materi, pemberian tugas dan lingkungan. Hasil perhitungan menyebutkan atribut pemahaman materi merupakan atribut yang paling berpengaruh terhadap menurunnya hasil belajar siswa. Pengujian juga dilakukan dengan menggunakan bantuan software Rapidminer dan memperoleh Perfomance ataupun tingkatan akurasi untuk Algoritma C4. 5 adalah sebanyak 86. 96% serta Algoritma Naïve Bayes adalah sebanyak 86, 13%. Setelah dilakukan Perbandingan diantara dua algoritma tersebut, yang memiliki tingkat ke Akurasian lebih tinggi yaitu Algoritma C4.5.

show abstract

Section: Teknik Pengumpulan Dataunclassified

Klasifikasi Algoritma C4.5 Dan Naïve Bayes Untuk Memprediksi Menurunnya Hasil Belajar Siswa Secara Daring Pada Masa Pandemi

Hasanah

2022

j. inti nm

View full text Add to dashboard Cite

show abstract

“…-Performance adalah operator yang digunakan untuk mengukur performaakurasi dan model yang telah ditentukan. [8] Gambar 2. Tampilan Pengolahan menggunakan x-validation Gambar 3.…”

Section: Metode Penelitianunclassified

Probabilitas Pembayaran Kredit Tepat Waktu Mengggunakan Algoritma Naïve Bayes Pada Koperasi Serba Usaha Daruzzakah Rensing Lombok Timur

Nurhidayati¹,

Suhartini²

2021

jit

View full text Add to dashboard Cite

In general, the notion of a cooperative is a business entity that is owned and managed by its members. Meanwhile, multi-business cooperatives are cooperatives whose business activities are in various economic aspects such as savings and loans, production, consumption and services, which consist of people or cooperative legal entities by basing their business activities on the cooperative principle as well as a people's economic movement based on the principle of kinship. This research took place in one of the cooperatives in the village of Rensing, East Lombok, with the cooperative name "Daruzzakah". This cooperative is a multi-business cooperative with one type of activity is to provide savings and loans or credit to its members. The purpose of this cooperative is as an alternative means of borrowing money or credit as well as trying to prevent its members from loan sharks. However, in practice there are problems, namely the number of delays and credit payments that are not on time. Judging from the large number of customers who borrow funds, a strategy is needed to be able to fulfill all of these activities, the increasing number of prospective customers applying for credit with different economic conditions, requiring accuracy in making credit decisions. To avoid this, it should be necessary to analyze member data to determine the feasibility of providing credit, so that it can be classified as whether or not to get a loan. Data analysis can be done using data mining techniques. For this reason, the authors try to provide solutions to these problems by applying the naïve Bayes algorithm in predicting and determining creditworthiness. The Naive Bayes algorithm has been widely used by previous researchers and has high accuracy values. In this study, the Naive Bayes algorithm was used and resulted in an accuracy value of 96.45% with an AUC value of 0.942 which means it is a good classification.

show abstract

“…In addition to SVM, another method that is often used in research on cases of bad credit classification because of its high level of accuracy is Naive Bayes [12]. This method uses the principles of probability and statistics to calculate the prior and posterior probability values in the data, which are then compared to obtain the likelihood value, and then the evidence value is calculated in order to obtain a classification decision [13].Research that applies nave bayes to the selection of bank credit debtors states that nave bayes is able to produce an accuracy of 95% in classifying 500 loan data at a bank in the city of Bandung [14].…”

Section: Introductionmentioning

confidence: 99%

Analysis of SVM and Naive Bayes Algorithm in Classification of Nad Loans in Save and Loan Cooperatives

Riyadi¹,

Siregar²,

Margolang³

et al. 2022

JURTEKSI

View full text Add to dashboard Cite

Non-performing loan (NPL) is a risk that credit unions must face and to avoid that, prospective debtors need to be surveyed. With previous loan data, support vector machine and naïve bayes can be used as classification methods to give a decision about NPL. We use a data set with 61 data and process the data with orange 3.30 application to see the difference between SVM using linear (SVM-L), polynomial (SVM-P), RBF (SVM-R) and sigmoid (SVM-S) kernel with naïve bayes. We use a cross validation technique with various folds to measure the classification results and a convusion matrix to measure the data training classification results. Naïve bayes scores the highest in terms of accuracy and SVM-R scores the highest in terms of F1, precision and recall. SVM-P scores the lowest in terms of accuracy, F1, precision and recall. Naïve bayes scores the highest in terms of proportion of predicted for true negative class and proportion of actual for true positive class. SVM-S scores the highest in terms of proportion of predicted for true positive class and proportion of actual for true negative class. SVM-P scores the lowest in both proportion of predicted and proportion of actual. Keywords: classification; naïve bayes; non-performing loan; support vector machine Abstrak: Kredit macet merupakan resiko yang sering dialami koperasi simpan pinjam, sehingga perlu dilakukan survei terhadap calon debitur agar kredit menjadi sehat. Dengan menggunakan data pemberian kredit sebelumnya, support vector machine dan naïve bayes digunakan sebagai metode klasifikasi untuk memberikan keputusan macet atau tidaknya kredit anggota koperasi Mutiara Sejahtera. Data set yang berjumlah 61 data diolah menggunakan aplikasi Orange 3.30 dan dilihat perbandingan antara metode SVM dengan kernel linear, polynomial, RBF dan sigomoid dengan metode naïve bayes. Cross validation dengan jumlah fold bervariasi digunakan sebagai nilai ukur klasifikasi dan convusion matrix digunakan sebagai nilai ukur klasifikasi data training. Hasil yang diperoleh adalah naïve bayes memiliki nilai accuracy tertinggi dan SVM kernel RBF memiliki nilai F1, precision dan recall tertinggi. SVM kernel polynomial memiliki nilai terendah untuk accuracy, F1, precision dan recall. Naïve bayes memiliki nilai tertinggi untuk proportion of predicted (PoP) kelas true negative dan proportion of actual (PoA) kelas true positive. SVM kernel sigmoid memiliki nilai tertinggi untuk PoP kelas true positive dan PoA kelas true negative. SVM kernel polynomial memiliki nilai terendah baik untuk PoP maupun PoA true negative dan kelas true positive. Kata kunci: klasifikasi; kredit macet; naive bayes; SVM

show abstract

Algoritma Naïve Bayes Untuk Memprediksi Kredit Macet Pada Koperasi Simpan Pinjam

Cited by 8 publications

References 3 publications

Klasifikasi Algoritma C4.5 Dan Naïve Bayes Untuk Memprediksi Menurunnya Hasil Belajar Siswa Secara Daring Pada Masa Pandemi

Klasifikasi Algoritma C4.5 Dan Naïve Bayes Untuk Memprediksi Menurunnya Hasil Belajar Siswa Secara Daring Pada Masa Pandemi

Probabilitas Pembayaran Kredit Tepat Waktu Mengggunakan Algoritma Naïve Bayes Pada Koperasi Serba Usaha Daruzzakah Rensing Lombok Timur

Analysis of SVM and Naive Bayes Algorithm in Classification of Nad Loans in Save and Loan Cooperatives

Contact Info

Product

Resources

About