Penerapan Data Mining Clustering Dalam Menentukan Tingkat Pembelian Kredit Tertinggi Algoritma K-Means dan K-Medoids
Abstract
— Pembelian kendaraan bermotor makin meningkat tiap tahunnya dikarenakan kebutuhan masyarakat akan transportasi, berniaga, sekolah dan menunjang pekerjaan. Namun bagi sebagian orang membeli kendaraan secara tunai adalah suatu hal yang sulit maka dari itu sebagian orang memilih membeli kendaraan secara kredit agar bisa memakainya terlebih dahulu dan membayarnya di kemudian hari. Pembelian kredit memiliki beberapa ketentuan dan perjanjian yang tertuang di akta jaminan fidusia dan tentunya harus disepakati oleh kedua belah pihak. Jumlah pembelian kredit di beberapa pasti berbeda. Untuk mengetahui daerah mana saja dengan pembelian kredit tertinggi diperlukan data mining untuk mengelompokan daerah pembelian kredit tinggi, daerah pembelian kredit sedang dan daerah pembelia kredit rendah. Data terdiri dari 7 daerah dan 1.770 akta yang diolah menggunakan algoritma kmeans dan k-medoids sebagai pembanding. Perhitungan akan dilakukan menggunaka dua cara yaitu perhitungan manual dan
perhitungan menggunakan python. Evaluasi menggunakan metode silhouette coefficient dan di dapatkan hasil tingkat akurasi k-means lebih besar dari algoritma k-medoids.
References
[2] Hakim, R. A. 2019. Perlindungan Hukum oleh Perusahaan Aplikasi terhadap Pemilik Kendaraan Angkutan Sewa Khusus. Adliya, 13(1), 58–72.
[3] Badan Pusat Statistik. Perkembangan Jumlah Kendaraan Bermotor Menurut Jenis Unit, 2018-2020. bps.go.id. Badan Pusat Statistik (bps.go.id)
[4] Pemerintah Indonesia. 1999. Undang - Undang Republik Indonesia Nomor 42 Tahun 1999, Pasal 1 (2) Tentang Jaminan Fidusia. Sekretariat Negara. Jakarta
[5] Sabir, M., & Tunnisa, R. 2020. Jaminan Fidusia Dalam Transaksi Perbankan; Studi Komparatif Hukum Positif dan Hukum Islam. Mazahibuna : Jurnal Perbandingan Mazhab.
[6] Widjaja, G., Yani, A. 2000. Seri Hukum Bisnis : Jaminan Fidusia. Cetakan Pertama. RajaGrafindo Persada. Jakarta.
[7] Ahdan, S., Latih, H, S., & Ramadona, S. 2018. Aplikasi Mobile Simulasi Perhitungan Kredit Pembelian Sepeda Motor pada PT. Tunas Motor Pratama. Jurnal Tekno Kompak, 12(1), 29-33.
[8] Drs. Ismail, MBA., AK. 2010. Manajemen Perbankan : Dari Teori Menuju Aplikasi. Edisi Pertama Cetakan Kelima. Predanamedia. Jakarta
[9] Siregar, A.M., Kom, S., Puspabhuana, M. K. D. A., Kom, S., & Kom, M. 2017. Data Mining : Pengolahan Data Menjadi Informasi dengan Rapid Miner. Cetakan Pertama. CV. Kekata Grup. Surakarta
[10] Kusrini & Emha Taufiq Luthfi. 2009. Algoritma Data Mining. Penerbit Andi. Yogyakarta
[11] Sagala, R. M. 2021. Prediksi Kelulusan Mahasiswa Menggunakan Data mining Prediction of college subject using K-means Algorithm in Data mining. 131–142.
[12] Winarta, A., & Kurniawan, W. J. 2021. Optimasi Cluster K-Means Menggunakan Metode Elbow Pada Data Pengguna Narkoba Dengan Pemrograman Python. Jurnal Teknik Informatika Kaputama (JTIK), 5(1), 113–119.
[13] Riyanto, B. 2019. Penerapan Algoritma K-Medoids Clustering Untuk Pengelompokan Penyebaran Diare Di Kota Medan (Studi Kasus : Kantor Dinas Kesehatan Kota Medan). KOMIK (Konferensi Nasional Teknologi Informasi Dan Komputer), 3(1).
[14] Kamila, I., Khairunnisa, U., & Mustakim, M. 2019. Perbandingan Algoritma K-Means dan K-Medoids untuk Pengelompokan Data Transaksi Bongkar Muat di Provinsi Riau. Jurnal Ilmiah Rekayasa Dan Manajemen Sistem Informasi, 5(1), 119.
[15] Falahi, F. M. 2019. Penerapan Metode Clustering Untuk Pengelompokan Mahasiswa Potensial Drop Out Menggunakan Algoritma K-Means++ (Doctoral Dissertation, Universitas Islam Negeri Sunan Ampel Surabaya).
[16] Paembonan, S., & Abduh, H. 2021. Penerapan Metode Silhouette Coefficient untuk Evaluasi Clustering Obat. PENA TEKNIK: Jurnal Ilmiah Ilmu-Ilmu Teknik, 6(2), 48.
