IMPLEMENTASI KLASIFIKASI DATA KEMACETAN ANGSURAN LEASING MOBIL DENGAN ALGORITMA C4.5

M. Edya Rosadi(1*), Nur Alamsyah(2), Rahmadi Agus(3)

(1) Fakultas Teknologi Informasi, Universitas Islam Kalimantan
(2) Fakultas Teknologi Informasi, Universitas Islam Kalimantan
(3) Fakultas Teknologi Informasi, Universitas Islam Kalimantan
(*) Corresponding Author

Sari


Berkembangnya lembaga pembiayaan di Indonesia, jelas mempunyai masalah yang sering ditemui seperti masalah pembayaran angsuran yang tidak lancar atau macet. Banyaknya faktor yang memungkinkan kemacetan pembayaran angsuran dari debitur kepada perusahaan yang seharusnya sudah menjadi kewajiban sesuai perjanjian yang sudah disepakati. Berbagai penelitian yang telah dilakukan mengenai kemacetan ini banyak dilakukan berdasarkan dari data marketing. Oleh karena itu faktor penyebab kemacetan dalam penelitian ini berdasarkan dataset dari data debitur (aging collection). Penelitian ini mengklasifikasi kemacetan pada salah satu lembaga leasing menggunakan algoritma C4.5 untuk mengkaji hasil akurasi. Data yang digunakan data debitur PT. Olympindo tahun 2015 dimana dalam data tersebut adalah data yang menunjukan 2 kategori yaitu kategori macet dan lancar. Aplikasi yang digunakan adalah aplikasi Rapidminer. Hasil yang didapatkan dengan menggunakan algoritma C4.5 dapat mengklasifikasikan kredit lancar dan macet dengan akurasi sebesar 97,22%.

Teks Lengkap:

PDF

Referensi


P. Danenas and G. Garsva, "Credit risk

“Technologia” Vol 8, No.1, Januari – Maret 2017 19

Jurnal Ilmiah Fakultas Teknik “Technologia”

evaluation modeling using evolutionary linear SVM classifiers and sliding window approach," International Conference on Computational Science, pp. 1324-1333, 2012.

L. Yu, X. Yao, S. Wang and K. Lai, "Credit risk evaluation using a weighted least squares SVM classifier with design of experiment for parameter selection," Expert Systems with Applications, vol. 38, pp. 15392-15399, 2011.

Y. Peng and G. Kou, "A Comparative Study of Classification Methods in Financial Risk Detection," Fourth International Conference on Networked Computing and Advanced Information Management, vol. II, pp. 9-12, September 2008.

L. Yu, G. Chen, A. Koronios, S. Zhu and X. Guo, "Application and Comparison of Classification Techniques in Controlling Credit Risk," Recent Advances in Data Mining of Enterprise Data : Algorithm and Application, vol. VI, pp. 111-145, 2007.

Y. Liu, G. Wang, H. Chen, H. Dong, X. Zhu and S. Wang, "An Improved Particle Swarm Optimization for Feature Selection," Journal of Bionic Engineering, pp. 191-200, 2011.

Y. Jiang, "Credit Scoring Model Based on the Decision Tree and the Simulated Annealing Algorithm," World Congress on Computer Science and Information Engineering, pp. 18-22, April 2009.

H. Yu, X. Huang, X. Hu and H. Cai, "A Comparative Study on Data Mining Algorithms for Individual Credit Risk Evaluation," International Conference on Management of e-Commerce and e-Government, pp. 35-

, October 2010.

D. T. Larose, Discovering knowledge in data : an introduction to data mining, New Jersey: Wiley, 2005.

J. Han and M. Kamber, Data Mining : Concepts and Techniques, Second ed., M. R. Jim Gray, Ed., San Francisco: Morgan Kaufmann Publishers, 2007.

K. and E. T. Luthfi, Algoritma Data Mining, Yogyakarta: Andi, 2009.

I. H. Witten, E. Frank and M. A. Hall, Data Mining Practical Mechine Learning Tools And Technique, Burlington: Elsevier Inc, 2011.

J. Kennedy and R. Eberhart, "Particle Swarm Optimization," Proceedings of IEEE International Conference on Neural Network, pp. 1942-1948, 1995.

C. Vercellis, Business Intelligence : Data Mining and Optimization for Decision Making, John Wiley & Sons Inc, 2009.

F. Gorunescu, Data Mining Concepts, Models and Techniques, Springer-Verlag, 2011.

C. Zhu, Y. Zhan and S. Jia, "Credit Risk Identification of Bank Client Basing on Supporting Vector Machines," International Conference on Business Intelligence and Financial Engineering, pp. 62-66, August 2010.

N. Fahmi, Analisis dan Komparasi Metode Klasifikasi Data Mining untuk Penentuan Resiko Kredit, Semarang, 2011.

I. H. Witten, Data Mining : Practical Machine Learning Tools and Techniques, Second ed., San Francisco: Morgan Kaufmann Publishers, 2005.




DOI: http://dx.doi.org/10.31602/tji.v8i1.718

Refbacks

  • Saat ini tidak ada refbacks.


© 2019 Technologia   p-ISSN: 2086-6917    e-ISSN: 2656-8047

-------------------------------------------------------------------------------------------

This work is licensed under a Creative Commons Attribution 4.0 International License.