Analisis Kinerja Decision Tree C4.5 dalam Prediksi Potensi Pelunasan Kredit Calon Debitur

Abstract

Abstrack -In an effort to anticipate the occurrence of errors in the selection of prospective borrowers while improving the quality of customer service, finance companies need decision making tools that simplify and speed up the process of predicting prospective borrowers who are able to pay off credit. The study discusses the application design process in constructing decision tree using C4.5 algorithm and utilizing a group of training data of motorcycle financing debtor, then interpreted in the form of decision rule as a reference in estimating potential loan repayment of debtor. The test results through 5 categories of tests performed in the process of the resulting tree required an average time of 112 seconds with the fastest time obtained in the first test category with the amount of data 3000 records worth 9 seconds. While in the process of generate rule it takes an average time of 1.78 seconds with the fastest time obtained in the first test category with the amount of data 3000 records worth 1.23 seconds. Comparison of the amount of data in each test category affects the value of execution time, the more data make longer the process of generating trees and rules. In the data accuracy test obtained the average percentage of data accuracy value of 51.2% with the highest gain in the first test category with total data 3000 records worth 54%.Intisari -. Dalam upaya mengantisipasi terjadinya kesalahan dalam pemilihan calon debitur sekaligus meningkatkan kualitas layanan konsumen, perusahaan pembiayaan membutuhkan alat bantu pengambilan keputusan sehingga mempermudah dan mempercepat proses prediksi calon debitur yang mampu melunasi kredit. Penelitian membahas proses rancangn bangun aplikasi dalam membangun pohon keputusan menggunakan algoritma C4.5 dan memanfaatkan sekelompok data latih debitur pembiayaan kendaraan sepeda motor, kemudian diinterpretasikan dalam bentuk aturan keputusan sebagai acuan dalam memperkirakan potensi pelunasan kredit calon debitur. Hasil pengujian melalui 5 kategori uji yang dilakukan dalam proses generate tree dibutuhkan rata-rata waktu 112 detik dengan perolehan waktu tercepat pada kategori uji pertama dengan jumlah data 3000 record senilai 9 detik. Sedangkan dalam proses generate rules dibutuhkan rata-rata waktu 1,78 detik dengan perolehan waktu tercepat pada kategori uji pertama dengan dengan jumlah data 3000 record senilai 1,23 detik. Perbandingan jumlah data disetiap kategori uji mempengaruhi nilai execution time, makin banyak datanya maka semakin lama untuk proses generate tree dan rules. Pada pengujian akurasi data diperoleh prosentase rata-rata nilai akurasi data 51,2% dengan perolehan tertinggi pada kategori uji pertama dengan total data 3000 record senilai 54%.Kata kunci: debitur, kredit, C4.5, pohon keputusan

Klasifikasi Penyakit Pada Padi Dengan Ekstraksi Fitur LBP dan GLCM

“…Peranan pohon keputusan sebagai alat bantu pengambilan keputusan (decision support tool) telah dikembangkan oleh manusia untuk membantu mencari dan membuat keputusan masalah dengan memperhitungkan berbagai macam faktor yang ada di dalam lingkup masalah tersebut. Dengan pohon keputusan, manusia dapat dengan mudah mengidentifikasi dan melihat hubungan antara faktor-faktor yang mempengaruhi suatu masalah dan dapat mencari penyelesaian terbaik dengan memperhitungkan faktor-faktor tersebut [8]. Pada metode penelitian untuk klasfikasi ini menggunakan 2 persamaan yaitu Entropy dan Giant.…”

Prediction System for Credit Eligibility Using C4.5 Algorithm

“…Metode pohon keputusan mengubah fakta yang sangat besar menjadi pohon keputusan yang merepresentasikan aturan. Aturan dapat dengan mudah dipahami dengan bahasa alami, juga dapat diekspresikan dalam bentuk bahasa basis data seperti Structured Query Language untuk mencari record pada kategori tertentu (Hermanto et al, 2017). Data Mining memiliki fungsi mencari pengetahuan yang bermanfaat dari sekumpulan data yang banyak (Ubaedi & Djaksana, 2022).…”

Penerapan Data Mining Untuk Memprediksi Tingkat Kemampuan Anak Dalam Mengikuti Mata Pelajaran Dengan Metode C4.5 Pada SDN 105351 Bakaran Batu

“…Data mining dapat diartikan sebagai serangkaian proses untuk menggali nilai tambah yang berupa informasi yang selamaini tidak diketahui secara manual dari suatu basis data dengan melakukan proses extraksi dan mengenali pola penting dari data yang ada. Data mining didefinisikan sebagai sebuah proses untuk menemukan hubungan, pola dan tren baru yang bermakna dengan menyaring data yang sangat besar, yang tersimpan dalam penyimpanan, menggunakan teknik pengenalan pola seperti teknik statistic dan matematika [9]. Data mining adalah serangkaian proses untuk menggali nilai tambah berupa informasi yang selama ini tidak diketahui secara manual dari suatu basis data.…”