Syntax
Literate: Jurnal Ilmiah Indonesia p�ISSN: 2541-0849
e-ISSN:
2548-1398
Vol. 6,
No. 9, September 2021
�
ANALISIS
PERBANDINGAN METODE PENGGALIAN DATA DALAM CREDIT APPROVAL PROCESS
Dino Dwi Jayanto, Caraka
Wedhatama, Jarot Achid Alvian, Widhi
Sulistyo
Departemen Ilmu Komputer dan Elektronika Universitas Gadjah Mada (UGM) Yogyakarta, Indonesia
Email:� [email protected], [email protected],
[email protected], widhisulistyo@mail.ugm.ac.id
Abstrak
Banyaknya jumlah pengajuan kredit yang masuk ke suatu bank menjadi
tantangan tersendiri untuk menganalisa pemberian kredit secara cermat untuk
menghindari terjadinya resiko kredit macet.
Berbagai penelitian terkait implementasi metode penggalian data dan klasifikasi telah dilakukan untuk membantu proses pengambilan keputusan persetujan pemberian kredit. Artikel ini membandingkan
dan menguji 8 (delapan) metode penggalian data untuk mengetahui metode yang paling optimal dalam membantu proses persetujuan kredit bank. Pengujian akan dilakukan terhadap 416 data pengajuan dan hasil persetujuan kredit dari bank. Seluruh pengujian dilakukan dengan menggunakan aplikasi WEKA.
Kata Kunci: persetujuan kredit, penggalian data, klasifikasi
Abstract
The large number of credit
applications submitted to a bank is a challenge to analyze credit approvals to
avoid the risk of bad credit. Various studies related to the implementation of
data mining and classification methods have been carried out to assist the decision making process for bank credit approval. This
article compares and tests 8 (eight) data mining methods to determine the most
optimal method for assisting the bank credit approval process. Testing will be
carried out on 416 submission data and the results of credit approval from the
bank. All tests were carried out using WEKA application.
Keyword:� credit
approval, data mining, classification
Received: 2021-08-20; Accepted:
2021-09-05; Published: 2021-09-20
Pendahuluan
Memberikan kredit merupakan
salah satu layanan yang diberikan industri perbankan. Kredit merupakan sumber
utama penghasilan bagi bank sekaligus sumber resiko operasi bisnis terbesar (Indonesia, 2014). Dalam
proses pemberian kredit, pengajuan akan dianalisa terlebih dahulu untuk
melakukan evaluasi tentang kondisi calon debitur. Evaluasi ini dilakukan untuk
memperkirakan kemampuan debitur dalam memenuhi kewajiban kepada bank (Rimadiani, 2011). Untuk
meneliti kondisi tersebut, analisis akan perlu mengumpulkan data-data tentang
calon debitur ini baik yang kuantitatif seperti data keuangan, maupun
kualitatif seperti penilaian terhadap pengelolaan perusahaan dan sebagainya (Amin, Indwiarti, & Sibaroni, 2015).
Kemudian data-data ini akan diolah dan diproses sesuai prosedur pada bank
tersebut sebelum akhirnya diambil keputusan apakah layak untuk memperoleh
pinjaman kredit dari bank (Ratnaningtyas & Zahroh, 2016).
Berbagai teknik penggalian data dapat
digunakan untuk membantu proses pengambilan keputusan pemberian kredit (Siregar & Nurhayati, 2018). Dari
berbagai metode penggalian data yang ada, perlu ditentukan metode yang tepat
untuk digunakan agar dapat memberikan hasil yang optimal (Sari, 2013).
Artikel ini akan membandingkan dan menguji 8 (delapan) metode penggalian data
untuk mengetahui metode yang paling optimal dalam membantu proses persetujuan
kredit bank.
Artikel disusun sebagai berikut, bagian
2 menjelaskan metode dan implementasi yang digunakan dalam penelitian ini,
bagian 3 akan menguraikan skenario pengujian, bagian 4 akan membahas hasil
pengujian, dan terakhir bagian 5 akan menjelaskan kesimpulan dari pengujian
yang dilakukan (Abdurrahman & Masripah, 2017).
Metode Penelitian
Dalam penelitian ini, digunakan data latih yang berjumlah 416 buah data. Data tersebut memiliki 15 atribut dan 1 kelas atribut. Atribut tersebut ada yang bertipe data nominal dan ada yang bertipe data kontinu. Terdapat 6 atribut yang bertipe data kontinu, dan 9 atribut yang bertipe data nominal. Sedangkan kelas atribut memiliki 2 buah nilai, yaitu �setuju� atau �tolak�. Data latih tersebut akan melalui rangkaian pra-proses terlebih dahulu untuk memperbaiki kualitas data dan mengurangi tingkat kesalahan dalam prediksi akhir klasifikasi (Nofriansyah & Nurcahyo, 2015).
Pra-proses merupakan salah satu tahapan yang paling penting dalam melakukan penggalian data (Sularno & Anggraini, 2017). Hal ini disebabkan karena data yang kita miliki tidak selamanya langsung dapat digunakan. Perlu dilakukan beberapa proses terlebih dahulu sehingga kita dapat menghasilkan data yang memiliki akurasi yang tinggi. Proses ini sering juga dinamakan dengan pembersihan data (data cleaning) (Marisa, 2013). Dalam penelitian ini pra-proses yang dilakukan adalah sebagai berikut:
a. Pengisian Missing Value
Pada tahapan ini, dilakukan pengisian terhadap data latih yang atributnya belum terisi (Lutfi & Hasyim, 2019). Pengisian tersebut tidak dapat dilakukan secara sembarangan karena dapat menyebabkan hasil dari data latih tersebut menjadi kurang tepat. Untuk atribut yang bersifat kontinu, nilai yang digunakan untuk mengisi atribut tersebut adalah nilai mean dari data yang dimiliki. Sedangkan untuk atribut yang bersifat nominal, maka digunakan modus dari data yang dimiliki untuk mengisi atribut tersebut (Werdiningsih & Nuqoba, 2020).
b. Penghapusan Outlier dan Extreme Value
Metode ini digunakan untuk menemukan adanya data yang bersifat outlier dan extreme value. Outlier adalah data yang berada di luar dari area yang seharusnya dia berada. Kondisi ini sering terjadi pada data yang relatif banyak jumlahnya dan data dengan jumlah atribut yang banyak sehingga perlu dilakukan penyaringan agar pembelajaran yang dilakukan memiliki akurasi yang cukup tinggi. Sedangkan Extreme value adalah data yang berada pada titik-titik yang sangat jarang kemunculannya. Pada pra-proses semua data yang bersifat outlier dan extreme value akan dihilangkan dari data latih.
c. Diskritisasi Data
Diskritisasi dilakukan terhadap data yang memiliki rentang yang panjang. Tujuan dari diskritisasi ini adalah untuk membatasi rentang data yang dimiliki sehingga mudah untuk mencari pola dari data tersebut. Tujuan lainnya adalah agar hasil diskritisasi tersebut dapat memberikan hasil yang lebih baik terutama dalam meningkatkan akurasi pembelajaran yang dilakukan.
d. Seleksi Atribut
Information gain adalah hasil perhitungan yang dapat digunakan untuk menentukan pengaruh suatu atribut terhadap hasil yang kita inginkan. Semakin besar nilai information gain yang dimiliki oleh suatu atribut, maka relevansi atribut tersebut terhadap hasil keluaran semakin terikat. Information gain pada umumnya digunakan pada saat pembentukan pohon. Pada saat pohon dibentuk, kita perlu menentukan atribut mana saja yang menjadi penentu utama dalam menentukan pencapaian hasil keputusan dalam menelusuri pohon keputusan tersebut.
8 (delapan)
metode penggalian data akan digunakan pada uji coba untuk mengetahui metode
yang paling optimal dalam membantu proses persetujuan kredit bank.
a. J48 (Prunning
Tree)
J48 merupakan metode yang masuk dalam kategori classifier tree. J48 berada pada tree karena konsep yang digunakan adalah konsep tree, lebih tepat nya pengembangan dari konsep decision tree dan algoritma C4.5 (Supriyanti, Kusrini, & Amborowati, 2016).
J48 memiliki kelebihan yaitu dapat mengatasi missing value, data kontinu, serta dapat mengurangi cabang-cabang yang dari tree (pruning) yang berimbas pada meningkatnya akurasi. Hasil dari J48 mudah diinterpretasikan / divisualisasi (dalam bentuk pohon). Kelemahan dari J48 adalah, makin besar depth of tree-nya, maka kompleksitas nya makin tinggi.
b. Na�ve Bayes
Na�ve Bayes merupakan salah satu metode pengklasifikasian yang pada Weka ada pada classifier bayes. Konsep dasar Naive Bayes adalah Teorema Bayes, yaitu teorema pada statistika untuk menghitung peluang (probabilitas). Naive Bayes menggunakan asumsi variabel bebas (independen), yang artinya bahwa ada maupun tidak nya suatu fitur tidak mempengaruhi fitur lainnya.
Naive Bayes memiliki kelebihan yaitu hanya membutuhkan sedikit data training untuk dapat mengestimasi parameter yang dibutuhkan untuk klasifikasi (means dan variances). Proses pengujian menggunakan klasifikasi Naive Bayes juga relatif cepat.� Hanya saja, klasifikasi Naive Bayes menjadi tidak berlaku jika probabilitas kondisinya bernilai 0. Jika probabilitasnya 0, maka probabilitas prediksi nya juga bernilai 0.
c. Support Vector Machine
Support Vector Machine merupakan suatu teknik untuk melakukan suatu prediksi, baik dalam kasus klasifikasi maupun regresi. Pada Weka, implementasi Support Vector Machine adalah dengan menggunakan klasifikasi LibSVM yang merupakan classifier function.
Kelebihan Support Vector Machine antara lain adalah hasil akurasinya yang tinggi, dapat mengatasi dimensi data yang tinggi, serta mampu memodelkan batasan keputusan yang kompleks dan non-linear. Namun, proses pembelajaran yang dilakukan dapat memakan waktu yang cukup lama, sehingga makin besar support vector yang ada maka akan memakan waktu pemrosesan yang lebih lama lagi.
d. Jaringan Syaraf Tiruan : Multilayer Perceptron
Jaringan Syaraf Tiruan adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan sistem syaraf manusia. Jaringan Syaraf Tiruan dibentuk untuk memecahkan masalah seperti pengenalan pola, atau klasifikasi melalui proses pembelajaran seperti manusia. Pada Weka, Jaringan Syaraf Tiruan ada pada classifier function dengan nama Multilayer Perceptron.
Kelebihan dari Jaringan Syaraf Tiruan yaitu mampu mengakuisisi pengetahuan walaupun tidak ada kepastian, melakukan generalisasi dan ekstraksi dari suatu pola tertentu, dapat membentuk pola pengetahuan lewat pengaturan diri atau kemampuan belajar (self organizing), memiliki toleransi terhadap kesalahan, pemrosesan yang cepat dikarenakan komputasi nya paralel. Jaringan Syaraf Tiruan juga mampu mendeteksi hubungan non-linear yang kompleks sehingga menghasilkan klasifikasi. Kelemahannya antara lain kurang mampu untuk melakukan operasi numerik dengan presisi tinggi, operasi aritmatik, logika, simbolis, dan proses training dapat berlangsung lama jika jumlah datanya besar.
e. Bayesian Network
Bayesian Networks merupakan suatu metode pemodelan data berbasis probabilitas yang merepresentasikan suatu himpunan variabel dan conditional interdependencies nya melalui suatu DAG (Directed Acyclic Graph).
Dalam proses pencarian model data menggunakan Bayesian Networks ini adalah dua proses yang dilakukan yaitu parameter learning dan structure learning. Structure learning umumnya dilakukan dengan proses try and error, dengan model dari semua node ke model hasil atau dari satu node ke model hasil. Umumnya metode yang banyak digunakan adalah metode pertama, dimana semua node dan kaitan antara mereka dimunculkan dan kemudian menguji semua kaitan serta menghilangkan kaitan yang tidak mempunyai nilai keterkaitan yang tinggi. Parameter learning umumnya dilakukan bersamaan dengan pelaksanaan proses structure learning. Proses structure learning dan parameter learning dilakukan dengan memanfaatkan data yang dimiliki sebagai training data.
Kelebihan dari Bayesian Network adalah kecepatan dalam perhitungan dan lebih sederhana dalam penerapannya dalam pengkodean.
f. Random Forest
Random forest (atau random forests) adalah sekumpulan classifier yang terdiri dari banyak pohon keputusan dan melakukan klasifikasi berdasarkan keluaran dari hasil klasifikasi setiap pohon keputusan anggota. Istilah tersebut pertama kali diusulkan oleh Tin Kam Ho dari Bell Labs pada tahun 1995. Metode ini menggabungkan ide "bagging" dari Breiman dengan pemilihan fitur dengan acak.
Ada beberapa kelebihan yang dimiliki oleh metode ini antara lain : Dapat menghasilkan error yang lebih rendah, Memberikan hasil yang bagus dalam klasifikasi, Dapat mengatasi data training dalam jumlah sangat besar secara efisien dan juga Metode yang efektif untuk mengestimasi missing data. Sedangkan untuk kelemahannya adalah kestabilan akurasi dinilai kurang baik.
g. Decision Table
Decision table merupakan suatu metode untuk menjelaskan dan menggambarkan aliran data secara logika yang digunakan untuk menyelesaikan sebuah masalah. Decision table bekerja dengan cara mengkombinasikan semua kondisi yang ada. Terdapat 5 jenis/tipe pengambilan keputusan menggunakan tabel keputusan, yaitu (1) maximax, (2) maximin, (3) minimax regret, (4) hurwich, dan (5) equal likelihood.
Metode ini juga memiliki banyak kelebihan dan kekurangan, berikut ini adalah kelebihan dari metode ini memungkinkan kita untuk mendeteksi potensi kesalahan dalam spesifikasi, memungkinkan kita untuk memulai dengan pandangan dan panduan lengkap, tanpa ketergantungan terhadap kondisi tertentu, membantu untuk menemukan beberapa alternatif terhadap suatu kondisi dan berguna ketika menentukan, menganalisis, dan pengujian logika kompleks. Sedangkan kekurangan metode ini adalah perlu menentukan atau mengetahui apa kondisi yang ada relevan untuk pengujian.
h. K-Nearest Neighbor (KNN)
KNN algorithm merupakan metode pengklasifikasian data yang bekerja relatif dengan cara yang lebih sederhana dibandingkan dengan metode pengklasifikasian data lainnya. Algorithm ini berusaha mengklasifikasikan data baru yang belum diketahui class-nya dengan memilih data sejumlah k yang letaknya terdekat dari data baru tersebut. Class terbanyak dari data terdekat sejumlah k tersebut dipilih sebagai class yang diprediksikan untuk data yang baru. k umumnya ditentukan dalam jumlah ganjil untuk menghindari munculnya jumlah jarak yang sama dalam proses pengklasifikasian.
Berikut ini adalah urutan penggunaan metode ini : yang pertama tentukan parameter K = jumlah banyaknya tetangga terdekat, kemudian hitung jarak antara data baru dan semua data yang ada di data training. Selanjutnya urutkan jarak tersebut dan tentukan tetangga mana yang terdekat berdasarkan jarak minimum ke
i. Dan tentukan kategori dari tetangga terdekat. Dan terakhir gunakan kategori mayoritas yang sederhana dari tetangga yang terdekat tersebut sebagai nilai prediksi dari data yang baru.
Kelebihan dari metode KNN antara lain algoritma ini tangguh terhadap training data yang noise dan efektif apabila data latih nya besar. Akan tetapi metode ini juga mempunyai banyak kelemahan antara lain : Metode KNN perlu menentukan nilai dari parameter K (jumlah dari tetangga terdekat), pembelajaran berdasarkan jarak tidak jelas mengenai jenis jarak apa yang harus digunakan dan atribut mana yang harus digunakan untuk mendapatkan hasil yang terbaik dan juga biaya komputasi cukup tinggi karena diperlukan perhitungan jarak dari tiap sample uji pada keseluruhan sample latih.
Kakas yang digunakan untuk melakukan pengujian
adalah WEKA 3.8.3. Kakas ini digunakan baik pada tahap pra-proses maupun saat
pengujian. Pra-proses
yang dilakukan meliputi pengisian missing value, penghapusan outlier dan
extreme value, diskritisasi data, dan seleksi atribut. Pengujian yang
dilakukan meliputi klasifikasi dengan metode J48 (Pruning Tree), Na�ve Bayes,
Support Vector Machine (SVM), Jaringan Syaraf Tiruan (Artificial Neural Network), Bayesian
Network, Random Forest, Decision Table, dan K Nearest Neighbor (KNN).
Seluruh proses pengujian menggunakan teknik K-cross-fold validation dengan
nilai K=10.
Hasil dan Pembahasan
Pada awal dilakukan
pengujian, dilakukan pre-proses terhadap data latih yang digunakan (Honesqi, 2017). Langkah pertama
adalah pengisian missing value. Terdapat 17 data atau 4.08% dari data latih
yang mengandung missing value. Missing value hanya terjadi pada atribut X1, X2,
X4, X5, X6, X7 dan X14. Langkah selanjutnya adalah penghapusan outlier dan
extreme value, dari hasil penghapusan ini data yang tersisa hanya 350 data. Berikutnya
dilakukan diskritisasi data. Diskritisasi yang dilakukan pada pra-proses ini
adalah memecah data tersebut menjadi 10 rentang data. Pada uji coba ini, diskritisasi
hanya dilakukan pada atribut yang mempunyai tipe data kontinu, yaitu atribut
X2, X3, X8, X11, X14, dan X15.
Langkah terakhir adalah seleksi atribut (Waruwu, Zarlis, Nababan, & Ziliwu, 2018). Tahap
ini akan menghapus atribut yang kurang memberikan pengaruh terhadap atribut
kelas yang digunakan. Penghapusan atribut tersebut dilakukan berdasarkan dari
data information gain yang telah dihitung. Tujuan dari penghapusan
atribut-atribut tersebut adalah agar akurasi dapat meningkat dan waktu proses
yang dibutuhkan juga semakin sedikit, karena atribut yang diperlukan untuk
proses semakin sedikit (Noordiansyah, Nhita, & Murdiansyah, 2016). Nilai information gain untuk masing-masing atribut ditunjukkan pada Tabel 1.
Tabel 1
Nilai Information Gain Setiap
Atribut
|
Atribut |
Nilai Information Gain |
|
X1 |
0,00193 |
|
X2 |
0,02497 |
|
X3 |
0,04591 |
|
X4 |
0,02007 |
|
X5 |
0,02007 |
|
X6 |
0,15674 |
|
X7 |
0,11739 |
|
X8 |
0,14949 |
|
X9 |
0,42557 |
|
X10 |
0,14136 |
|
X11 |
0,18584 |
|
X12 |
0,00998 |
|
X13 |
0,01324 |
|
X14 |
0,05335 |
|
X15 |
0,09834 |
Berdasarkan data pada tabel 1 maka kita
dapat melakukan penghapusan atribut X1 karena nilai information gain
yang dimiliki oleh atribut tersebut relatif kecil dibandingkan dengan atribut lainnya. Penghapusan tersebut juga dilakukan karena rentang nilai yang dimiliki antara X1 dan X12 relatif terlalu jauh sehingga
X1 menjadi kurang signifikan.
Setelah data latih selesai di pra-proses, dilanjutkan dengan tahap pengujian dengan metode J48 (Pruning Tree), Na�ve Bayes, Support Vector Machine (SVM), Jaringan Syaraf Tiruan (Artificial Neural Network), Bayesian Network,
Random Forest, Decision Table, dan K Nearest Neighbor (KNN). Seluruh proses pengujian menggunakan teknik K-cross-fold
validation dengan nilai
K=10. Tahap ini akan memberikan informasi mengenai akurasi, presisi dan recall dari setiap metode
yang digunakan.
Akurasi adalah
ketepatan dalam melabelkan sebuah data ke dalam kelas
dimana ia seharusnya berada. Presisi adalah persentase berapa banyak prediksi positif yang benar. Sedangkan recall adalah persentase berapa banyak kasus positif
yang dapat ditangkap. Nilai
1.0 pada presisi membuktikan
bahwa seluruh hasil prediksi positif tersebut memiliki derajat prediksi positif yang benar, sedangkan nilai 1.0 pada recall membuktikan
bahwa seluruh hasil prediksi tersebut memiliki derajat kasus positif
yang benar (Derisma, 2020).
Dengan melakukan perbandingan terhadap informasi yang dimiliki maka kita dapat
memilih metode yang paling baik untuk digunakan
pada data uji yang dimiliki.
Dari uji coba yang dilakukan terhadap 8 metode penggalian data, diperoleh hasil yang ditunjukkan dalam Tabel 2 berikut.
Tabel 2
Akurasi, Presisi, dan
Recall Setiap Metode
|
Metode |
Akurasi |
Presisi |
Recall |
|
J48 |
84,8571% |
0,874 |
0,849 |
|
Na�ve Bayes |
89,1429% |
0,891 |
0,891 |
|
Support Vector Machine (LibSVM) |
85,7143% |
0,857 |
0,857 |
|
Jaringan Syaraf Tiruan (MultilayerPerceptron) |
83,7143% |
0,837 |
0,837 |
|
Bayesian Network (BayesNet) |
87,7143% |
0,877 |
0,877 |
|
Random Forest |
86,2857% |
0,863 |
0,863 |
|
Decision Table |
82,8571% |
0,840 |
0,829 |
|
K Nearest Neighbor |
82,2857% |
0,822 |
0,823 |
Kesimpulan
Dari serangkaian uji coba yang dilakukan
dengan data uji yang ada, diperoleh hasil metode Na�ve Bayes memiliki nilai
akurasi paling tinggi, yaitu 89,1429%. Perlu diperhatikan
bahwa Na�ve Bayes hanya cocok apabila digunakan
untuk klasifikasi dengan data dengan struktur sederhana. Apabila data yang akan diklasifikasi memiliki kompleksitas yang cukup tinggi, maka bisa
jadi Na�ve Bayes tidak memberikan hasil yang optimal. Dalam kasus ini,
yaitu klasifikasi untuk persetujuan kredit, kelas yang akan diklasifikasi hanya ada dua
sehingga proses klasifikasi
yang dilakukan dalam penelitian ini melibatkan data sederhana, sehingga Na�ve Bayes dapat dipilih sebagai algoritma yang digunakan karena memberikan kinerja paling optimal.
Abdurrahman, Asep, & Masripah, Siti.
(2017). Metode Waterfall Untuk Sistem Informasi Penjualan. Information
System For Educators And Professionals: Journal Of Information System, 2(1),
95�104. Google Scholar
Amin, Rafik Khairul, Indwiarti, Indwiarti,
& Sibaroni, Yuliant. (2015). Implementasi Klasifikasi Decision Tree Dengan
Algoritma C4. 5 Dalam Pengambilan Keputusan Permohonan Kredit Oleh Debitur
(Studi Kasus: Bank Pasar Daerah Istimewa Yogyakarta). Eproceedings Of
Engineering, 2(1). Google Scholar
Derisma, D. (2020). Perbandingan Kinerja
Algoritma Untuk Prediksi Penyakit Jantung Dengan Teknik Data Mining. Journal
Of Applied Informatics And Computing (Jaic), 4(1), 84�88. Google Scholar
Honesqi, Hanggi Dwifa. (2017). Klasifikasi
Data Mining Untuk Menentukan Tingkat Persetujuan Kartu Kredit. Jurnal
Teknoif Itp, 5(2), 57�62. Google Scholar
Indonesia, Ikatan Bankir. (2014). Mengelola
Kredit Secara Sehat. Gramedia Pustaka Utama. Google Scholar
Lutfi, Moch, & Hasyim, Mochamad.
(2019). Penanganan Data Missing Value Pada Kualitas Produksi Jagung Dengan
Menggunakan Metode K-Nn Imputation Pada Algoritma C4. 5. Jurnal Resistor
(Rekayasa Sistem Komputer), 2(2), 89�104. Google Scholar
Marisa, Fitri. (2013). Educational Data
Mining (Konsep Dan Penerapan). Jurnal Teknologi Informasi: Teori, Konsep,
Dan Implementasi, 4(2), 90�97. Google Scholar
Nofriansyah, Dicky, & Nurcahyo, Gunadi
Widi. (2015). Algoritma Data Mining Dan Pengujian. Deepublish. Google Scholar
Noordiansyah, Jodi, Nhita, Fhira, &
Murdiansyah, Danang Triantoro. (2016). Prediksi Penyakit Menggunakan Algoritma
K-Means Dan Ga Untuk Reduksi Dimensi Dengan Mengintegrasikan Svm Pada Data
Berdimensi Tinggi. Eproceedings Of Engineering, 3(2). Google Scholar
Ratnaningtyas, Widya, & Zahroh, Z. A.
(2016). Evaluasi Kelayakan Pemberian Kredit Usaha Rakyat Untuk Mencegah
Terjadinya Kredit Bermasalah (Studi Kasus Pada Pt. Bank Rakyat Indonesia
(Persero), Tbk. Cabang Kawi Malang). Jurnal Administrasi Bisnis, 39(2),
34�43. Google Scholar
Rimadiani, Nurul. (2011). Evaluasi
Penerapan Sistem Dan Prosedur Pemberian Kredit Pada Pt. Bank Permata. Skripsi-2011.
Google Scholar
Sari, Greydi Normala. (2013). Faktor-Faktor
Yang Mempengaruhi Penyaluran Kredit Bank Umum Di Indonesia (Periode
2008.1�2012.2). Jurnal Emba: Jurnal Riset Ekonomi, Manajemen, Bisnis Dan
Akuntansi, 1(3). Google Scholar
Siregar, Suci Rahmadani, & Nurhayati,
Nurhayati. (2018). Sistem Pendukung Keputusan Pemberian Kredit Pns Dengan
Metode AHP Dan Topsis (Studi Kasus: Pt. Bank Sumut Cabang Binjai). Jtik
(Jurnal Teknik Informatika Kaputama), 2(1), 35�45. Google Scholar
Sularno, Sularno, & Anggraini, Putri.
(2017). Penerapan Algoritma C4. 5 Untuk Klasifikasi Tingkat Keganasan Hama Pada
Tanaman Padi (Studi Kasus: Dinas Pertanian Kabupaten Kerinci). Jurnal Sains
Dan Informatika: Research Of Science And Informatic, 3(2), 161�170. Google Scholar
Supriyanti, Wiwit, Kusrini, Kusrini, &
Amborowati, Armadyah. (2016). Perbandingan Kinerja Algoritma C4. 5 Dan Na�ve
Bayes Untuk Ketepatan Pemilihan Konsentrasi Mahasiswa. Jurnal Informa:
Jurnal Penelitian Dan Pengabdian Masyarakat, 1(3), 61�67. Google Scholar
Waruwu, Yumnah Fitriyanna, Zarlis,
Muhammad, Nababan, Erna Budhiarti, & Ziliwu, Meyman Sokhi. (2018). Seleksi
Atribut Pada Algoritma Radial Basis Function Neural Network Menggunakan
Information Gain. Seminar Nasional Royal (Senar), 1(1), 21�24. Google Scholar
Werdiningsih, Indah, & Nuqoba, Barry.
(2020). Data Mining Menggunakan Android, Weka, Dan Spss. Airlangga
University Press. Google Scholar
|
Copyright holder: Dino Dwi Jayanto, Caraka Wedhatama, Jarot Achid Alvian,
Widhi Sulistyo (2021) |
|
First publication right: Syntax Literate: Jurnal Ilmiah
Indonesia |
|
This article is licensed
under: |