Implementasi Iterative Dichotomiser 3 (ID3) Untuk Penentuan Kelayakan Pemberian Kredit Pada PT.BPR Ploso Saranaartha Jombang

Penulis

  • Siti Nurul Afiyah Institut Teknologi dan Bisnis Asia, Malang, Jawa Timur, Indonesia
  • Wahyu Dini Aula Nabila Institut Teknologi dan Bisnis Asia, Malang, Jawa Timur, Indonesia

DOI:

https://doi.org/10.31961/positif.v7i1.1064

Kata Kunci:

classification, data mining, ID3, PT.BPR Ploso Saranaartha Jombang

Abstrak

Pada PT. BPR Ploso Saranaartha Jombang terdapat beberapa permasalahan yang kerap muncul mengenai pemberian kredit pada debitur. Saat ini bank tersebut memberikan kredit kepada nasabahnya masih dengan cara seleksi debitur, belum ada prosedur secara sistematis dalam menentukan apakah suatu nasabah tersebut layak diberikan kredit atau tidak. Hal inilah yang mengakibatkan banyaknya kredit macet yang dapat merugikan pihak bank.. Algoritma Iterative Dichotomiser 3 (ID3) merupakan salah satu algoritma yang dapat digunakan untuk menyelesaikan kasus ini. Dalam penyelesaiiannya nanti ID3 akan melakukan proses preprocessing data terlebih dahulu yang bertujuan untuk membuang data-data yang tidak penting guna mendapatkan data yang benar-benar dibutuhkan. Setelah itu ID3 akan membentuk sebuah pohon keputusan berdasarkan rules yang dihasilkan. Setiap root node dalam sebuah pohon keputusan terbentuk berdasarkan nilai gain terbesar dari tiap-tiap input atribut. Dalam perhitungan algoritma ini diperlukan sebuah dataset yang cukup untuk digunakan proses training. Dataset yang digunakan untuk proses training ini berjumlah 300 record data yang terdiri dari 272 data dengan kolektibilitas lancar dan 28 data dengan kolektibilitas macet. Terdapat pula data yang akan digunakan untuk proses testing berjumlah 20 record data nasabah baru yang terdiri dari 8 data dengan kolektibilitas macet dan 12 data dengan kolektibilitas lancar. Dalam uji coba yang telah dilakukan terhadap dataset menghasilkan 10 rules. Setelah dilakukan proses testing atau pengujian terhadap data testing dihasilkan output dengan tingkat keakurasian 88,51%. Artinya dari 300 record data yang telah ditraining dapat meng-cover 19 data dari 20 record data testing.

Unduhan

Data unduhan belum tersedia.

Referensi

E. Andayani, “Konsep dan Kerangka Dasar Sistem Informasi Manajemen,†Sist. Inf. Manajeman, pp. 1–45, 2010.

M. Fuady, H. P. Kontemporer, and C. A. Bakti, “Munir Fuady, Hukum Perkreditan Kontemporer , Citra Aditya Bakti, Bandung, 2002, h. 5.â€

Hariati, M. Wati, and B. Cahyono, “Penerapan Algoritma C4.5 Decision Tree pada Penentuan Penerima Program Bantuan Pemerintah Daerah Kabupaten Kutai Kartanegara,†Jurti, vol. 2, no. 1, pp. 27–36, 2018.

I. Choina, R. Aulia, and A. Zakir, “Penerapan Algoritma ID3 Untuk Menyeleksi Pegawai Kontrak Di Kantor Pengadilan Kota Langsa,†CESS (Journal Comput. Eng. Syst. Sci., vol. 5, no. 1, pp. 47–52, 2020.

Ilayani, J. Nangi, and yuwanda purnamasari Pasrun, “APLIKASI DATA MINING UNTUK PENILAIAN KREDIT MENGGUNAKAN DECISION TREE ALGORITMA ID3 STUDI KASUS PT. MANDALA MULTI FINANCE CABANG KENDARI Ilayani*1,†semanTIK, vol. 4, no. 1, pp. 65–76, 2018.

M. Y. Helmy and D. Kushartantya, “Implementasi Data Mining Untuk Memprediksi Kelayakan Permintaan Pinjaman Nasabah Di Lembaga Keuangan,†vol. 2, no. 1, pp. 267–274, 2013.

Diterbitkan

2021-05-30