Segmentasi Karakteristik Debitur Menggunakan Metode K-Means Cluster dan Multi-class Support Vector Machines

AFINA NURSEHA, Dr. Herni Utami, M.Si.

2014 | Skripsi | STATISTIKA

Analisis kredit menggunakan teknik statistika telah mengalami perkembangan dan mendapat perhatian yang besar. Salah satu teknik analisa kredit untuk mengantisipasi adanya kredit macet yaitu dengan mengelompokkan karakteristik debitur. Salah satu metode untuk mengelompokkan sejumlah data debitur yaitu menggunakan metode K-means Cluster (clustering non-hierarki). Setelah data dikelompokkan, selanjutnya dilakukan prediksi pada dataset (testing data) dan dihitung tingkat akurasi kebenarannya menggunakan metode multi-class support vector machines. Metode multi-class support vector machines merupakan pengembangan dari metode support vector machines yang dapat digunakan untuk mengklasifikasikan data yang memiliki lebih dari dua kelas (multi kelas). Salah satu metode yang dapat digunakan untuk mengimplementasikan metode multiclass support vector machines adalah metode one-against-one (satu lawan satu). Penelitian ini dilakukan dengan berbagai variasi proporsi training data dan testing data serta nilai sigma dari fungsi Kernel berupa Radial Basis Function.

Credit analysis using statistical technique has been developed and received considerable research attention. One of the techniques of credit analysis to anticipate any bad debts is classifying the debtors characteristics. One of methods for classifying a number of the debtor data is K-means cluster method (clustering non-hierarki). Once the data classified, then conducted the predictions on dataset (testing data) and calculated the accuracy of righteousness using the multi-class support vector machines method. Methods of multi-class support vector machines are development of support vector machines that can be used to classify data which have over than two classes (multi-kelas). One of the methods that can be used to implement the multi-class support vector machines is a one-against-one method. This study was conducted with a variety of proportions from training data and testing data as well as the sigma value of the Kernels function in the form of Radial Basis Function.

Kata Kunci : Debtor Segmentation, K-means Cluster, Support Vector Machines, Multi-class Support Vector Machines, One-Against-One