Klasifikasi Permasalahan Kredit Macet Pada Bank Menggunakan Algoritma Decision Tree C4.5

Anida Nirwana; Amril Siregar; Rahmat Rahmat

Anida Nirwana Universitas Buana Perjuangan Karawang
Amril Mutoi Siregar Universitas Buana Perjuangan Karawang
Rahmat Rahmat Universitas Buana Perjuangan Karawang

Keywords: Algoritma C4.5, Kredit Macet, Python

Abstract

Dalam pemberian kredit tentunya lembaga keuangan harus merencanakan sedemikian rupa dan berusaha mengurangi risiko permasalahan adanya kredit macet. Faktor yang sering terjadi dalam permasalahan kredit macet ini utamanya dari pihak nasabah, karena kegagalan bisnis ditambah lagi dengan adanya pandemi covid-19 dan juga faktor yang sering terjadi karena ketidaktelitiannya pihak bank dalam menganalisis data calon nasabah yang memiliki karakter yang tidak baik serta saat melakukan analisis kelayakan usaha nasabah pengetahuan pihak bank terbatas, sehingga analisis kredit tidak tepat. Data penelitian ini diambil dari web kaggle pada bulan November tahun 2020 sebanyak 10.127 data dan 10 variabel. Penelitian ini bertujuan untuk mengurangi risiko permasalahan kredit macet dengan cara mengkalasifikasikan permasalahan kredit macet pada bank dengan menerapkan algoritma decision tree c4.5. Dalam mengkalasifikasikan kredit macet agar menghasilkan pohon keputusan yang akan menjadi penunjang dalam proses perhitungan tingkat keakurasian data. Dataset dibagi menjadi dua yakni data training dan data testing dengan pembagian data 60 : 40. Pengujian ini menggunakan excel untuk perhitungan manual dengan model data training, python dengan model data testing dan menggunakan tool weka 3.8.5 dengan model data testing dengan pembagian data 60 : 40, untuk 60% yaitu data training dan 40% data testing. Didalam pembagian data untuk data training yaitu berjumlah 6076 data dan untuk data testing berjumlah 4051 data dengan memiliki nilai accuracy sebesar 99,9753%, precision sebesar 100%, recall sebesar 99,8%, dan f-measure sebesar 99,9%.

References

[1] R. Widayati and W. E. Mendari, “Upaya Penanganan Kredit Bermasalah Pada Bank Nagari Cabang Utama Padang,” pp. 1–12, 2019, doi: 10.31219/osf.io/ewm65.
[2] S. D. Kamil, D. Widiyanto, N. Chamidah, P. S. Informatika, F. I. Komputer, and D. Tree, “Perbandingan Metode Decision Tree Dengan Naïve Bayes,” Senamika, pp. 539–550, 2020.
[3] S. Wahyuningsih, D. R. Utari, U. B. Luhur, D. Tree, and K. Validation, “Perbandingan Metode K-Nearest Neighbor , Naïve Bayes dan Decision Tree untuk Prediksi Kelayakan Pemberian Kredit,” pp. 8–9, 2018.
[4] F. M. Hana, “Klasifikasi Penderita Penyakit Diabetes Menggunakan Algoritma Decision Tree C4 . 5,” 2020.
[5] E. Karyadiputra and N. Hijriana, “Penerapan Algoritma Decision Tree C4.5 Untuk Klarifikasi Penentuan Daftar Prioritas Pengembangan Jembatan,” Technologia, vol. 10, no. 1, pp. 43–46, 2019.
[6] M. P. A. S. R. R. A. P. Pritasari, “Klasifikasi Untuk Memprediksi Pembayaran Kartu Kredit Macet Jurnal Teknologia,” vol. 3, no. 1, pp. 91–101, 2020.
[7] E. Ajeng, A. Putri, E. Nuraina, and E. E. Yusdita, “Upaya Pencegahan dan Penanganan Kredit Macet Ditinjau dari Persepsi Nasabah,” vol. 7, no. 2, pp. 185–196, 2020.
[8] L. N. Rani, “KLASIFIKASI NASABAH MENGGUNAKAN ALGORITMA C4.5 SEBAGAI DASAR PEMBERIAN KREDIT,” vol. 2, no. 2, pp. 33–38, 2015.
[9] W. Darmawan, A. Klasifikasi, D. Tree, N. Bayes, and D. Mining, “ALGORITMA KLASIFIKASI DATA MINING UNTUK PREDIKSI STATUS MAHASISWA MENGGUNAKAN ALGORITMA DECISION TREE (C4.5),” vol. XII, no. 1, pp. 15–22, 2017.
[10] E. Paskalis, K. Orpa, and E. F. Ripanti, “Model Prediksi Awal Masa Studi Mahasiswa,” vol. 7, no. 4, pp. 272–278, 2019.
[11] S. A. Qutsiah, M. K. Sophan, and Y. F. Hendrawan, “DATAR MENGGUNAKAN PYTHON PADA PERANGKAT,” vol. XI, 2016.
[12] M. Faid, M. Jasri, and T. Rahmawati, “Perbandingan Kinerja Tool Data Mining Weka dan Rapidminer Dalam Algoritma Klasifikasi,” Teknika, vol. 8, no. 1, pp. 11–16, 2019, doi: 10.34148/teknika.v8i1.95.