KLASIFIKASI DATA NAP (NOTA ANALISIS PEMBIAYAAN) UNTUK PREDIKSI TINGKAT KEAMANAN PEMBERIAN KREDIT: Studi Kasus : Bank Syariah Mandiri Cabang Luwuk Sulawesi Tengah

SUMARNI ADI, Drs. Edi Winarko, M.Sc., Ph.D.

2014 | Tesis | S2 Ilmu Komputer

Setiap bulannya Bank Syariah Mandiri Cabang Luwuk menerima proposal kredit (NAP) dari nasabah dalam jumlah yang terus meningkat dan perlu respon yang cepat. Dengan demikian, perlu dikembangkan sistem untuk melakukan data mining dari tumpukan data tersebut yang akan digunakan untuk kepentingan tertentu, salah satunya adalah untuk menganalisis resiko pemberian kredit. Naive Bayes Classifier merupakan pendekatan yang mengacu pada teorema Bayes yang menkombinasikan pengetahuan sebelumnya dengan pengetahuan baru. Sehingga merupakan salah satu algoritma klasifikasi yang sederhana namun memiliki akurasi tinggi. Untuk itu, dalam penelitian ini akan dibuktikan kemampuan naive bayes classifier untuk mengklasifikasikan data debitur yang menginformasikan resiko pemberian kredit di Bank Syariah Cabang Luwuk. Sebelum dilakukan klasifikasi, data debitur melalui preprocessing. Kemudian dari preprocessing ini dilakukan klasifikasi dengan Naive Bayes Classifier, sehingga menghasilkan model probabilitas klasifikasi untuk prediksi kelas pada debitur selanjutnya. Dari hasil pengujian akurasi model dari sistem yang dikembangkan, menghasilkan nilai akurasi terkecil sebesar 80% dihasilkan pada pengujian dengan sampel sebanyak 100 danmenghasilkan nilai akurasi tertinggi sebesar 98,66%dihasilkan pada pengujian dengan sampel sebanyak 463. Hasil pengujian akurasi dengan menggunakan perangkat lunak Rapid Miner 5.3 dengan metode naive bayes classifier menghasilkan nilai akurasi terkecil sebesar 64,79%dihasilkan pada pengujian dengan sampel sebanyak 100 dan menghasilkan nilai akurasi tertinggi sebesar 80,06% dihasilkan pada pengujian dengan sampel sebanyak 463. Hasil pengujian akurasi dengan menggunakan perangkat lunak Rapid Miner 5.3 dengan metode support vector machine menghasilkan nilai akurasi terkecil sebesar 63,99% dihasilkan pada pengujian dengan sampel sebanyak 100 dan menghasilkan nilai akurasi tertinggi sebesar 78,64% dihasilkan pada pengujian dengan sampel sebanyak 463.

Mandiri Syariah Bank Branch Office of Luwuk, receives a very large number of proposal credit in every month and needs a quick response. Thus, the system should be developed to perform data mining in the data heap to be used for specific purpose, one of the purpose is to analyze the risk of credit allowance. Naive bayes classifier is an approach that refers to the bayes theorem, which combine the prior knowledge and the new knowledge. So that, this classifier is one of a simple classification algorithm but has a high accuracy. this research will prove the ability of naive bayes classifier to classify the debitur data that contains information of credit allowance in Mandiri Syariah Bank Branch Office of Luwuk. Before doing the classification, data of debitur needs to pass a preprocessing method. Then the classification process by naive bayes classifier was done after passing the preprocessing method. After the data is classified, it produces the probability of classification model to predict the class of next debitur. From the testing result, the program shows the smallest value of the accuracy is 80% by using 100 records of sample and generating highest accuracy for about 98,66% by using 463 records of sample. The testing results by Rapid Miner 5.3 software obtained the smallest value of the accuracy is 64,79% by using 100 records of sample and the highest accuracy is 80,06% by using 463 records of sample for naive bayesian classification. For the method of support vector machine obtained the smallest value is 63,99% accuracy by using 100 records of sample and the highest accuracy of 78,64% by using 463 records of sample.

Kata Kunci : Debitur, NAP, klasifikasi, preprocessing, naive bayesian classifier, support vector machine, akurasi, Debitur, NAP, classification, preprocessing, naïve bayesian classification, support vector machine, accuracy