Skripsi

Perbandingan Metode Algoritma Decision Tree dan Naïve Bayes Pada Pengajuan Kartu Kredit

---

Bank merupakan salah satu lembaga yang bergerak dalam bidang jasa keuangan, yang salah satu kegiatannya adalah pemberian kartu kredit kepada para nasabah dengan syarat tertentu yang sudah ditentukan oleh pihak bank. Permasalahan dalam pemberian kartu kredit kepada nasabah yang telah mengajukan adalah sulitnya analis kartu kredit dalam menentukan layak atau tidaknya nasabah diberikan kartu kredit. Berdasarkan hal tersebut perlu menggunakan sistem prediksi secara akurat dan yang bisa dipercayai untuk mengetahui kelayakan kredit di masa mendatang. Maka diperlukan adanya prediksi yang akurat, salah satunya menggunakan teknik data mining dengan membandingkan dua metode dalam memprediksi pengajuan kartu kredit yaitu metode Decision Tree dan Naive Bayes yang bertujuan menentukan metode klasifikasi yang paling baik untuk memprediksi kelayakan pemberian kartu kredit dan untuk mengetahui nilai tingkat akurasi, precision, auc dan recall-nya. Data yang dianalisis menggunakan perhitungan Rapidminer versi 9.10.8 dan pengujian akurasinya menggunakan 10-fold cross validation. Dari hasil pengujian kedua metode yaitu metode Decision tree lebih baik digunakan dari pada metode Naïve bayes dengan nilai accuracy 98.95% untuk decision tree dan 71.911% untuk naive bayes. Nilai precision naive bayes lebih rendah yaitu sebesar 63.51% dibandingkan dengan decision tree sebesar 97.90%. Sedangkan perolehan nilai Recallnya lebih unggul decision tree yaitu sebesar 100% (pada prediksi class reject) dibandingkan naive bayes dengan nilai perolehan 87.88%. Jika dibandingkan dari segi waktu kecepatan, decision tree lebih cepat dan efisien dalam menganalisa data dengan waktu 5 detik dibandingkan dengan naïve bayes memerlukan waktu lebih lama yaitu 7 detik perbandingan waktu kedua algoritma ini yaitu selisih 2 detik. Hasil uji 10-fold dengan Cross Validation dihasilkan nilai AUC rata-rata untuk algoritma Naïve Bayes sebesar 0.876 (good classification) lebih rendah dibandingkan Decision tree sebesar 0.994 (excellent classification). Dapat disimpulkan bahwa nilai AUC yang dihasilkan oleh metode decision tree adalah metode yang terbaik dan dapat dijadikan sebagai penentu dari pemilihan metode atau algoritma yang dipilih untuk dijadikan masukan dalam membangun sistem pendukung keputusan dalam menentukan kelayakan proses pengajuan kartu kredit.

---

Ketersediaan

S00058R

006 STI p

Tersedia

Informasi Detail

Judul Seri

-

No. Panggil

006 STI p

Penerbit

Jakarta : BRI Institut., 2022

Deskripsi Fisik

-

Bahasa

Indonesia

ISBN/ISSN

12180006

Klasifikasi

NONE

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

-

Subjek

Algoritma
Sistem dan teknologi informasi

Info Detail Spesifik

-

Pernyataan Tanggungjawab

-

Informasi Lainnya

Pembimbing

Dr.-Ing. Agus Trihandoyo,DEA

Versi lain/terkait

Lampiran Berkas

Komentar

---

Anda harus masuk sebelum memberikan komentar