Analisa Prediksi Kelayakan Pemberian Kredit Pinjaman dengan Metode Random Forest

Penulis

  • Budi Prasojo Jurusan Sistem Informasi Bisnis, Universitas Gunadarma
  • Emy Haryatmi Jurusan Sistem Informasi Bisnis, Universitas Gunadarma

DOI:

https://doi.org/10.25077/TEKNOSI.v7i2.2021.79-89

Kata Kunci:

Random Forest, German Data Credit, Kelayakan Kredit

Abstrak

Perkembangan di Indonesia saat ini tidak terlepas dari pernanan lembaga keuangan dengan salah satunya adalah perbankan. Bank memiliki peran dalam meningkatkan pertumbuhan dan perkembangan suatu Negara [1]. Perbankan memiliki fungsi sebagai lembaga yang memiliki peran sentral dalam meningkatkan pertumbuhan ekonomi suatu Negara. Dalam melakukan analisa pemberian kredit perbankan harus memerhatikan Prinsip-prinsip pemberian kredit[3]. besar kecilnya tingkat kredit yang disalurkan oleh bank kepada pihak lain ataupun masyarakat dipengaruhi oleh beberapa faktor [4]. Data dalam jumlah besar pada perbankan khususya perkreditan tersebut dapat diolah menggunakan beberapa metode tertentu akan memberikan informasi baru yang dapat mendukung dan membantu perbankan mengambil keputusan atau kebjakan, salah satu kebijakannya adalah dapat memprediksi kelayakan kredit pinjaman secara dini untuk mengetahui nasabah yang layak atau tidak layak, atau menggunakan salah satu teknik melakukan prediksi yang dapat digunakan adalah dengan teknik penggalian data atau data mining menggunakan algoritma random forest. Penelitian ini bertujuan untuk mengetahui penerapan metode klasifikasi dengan algoritma random forest serta menganalisis hasil terbaik dari algoritma random forest pada setiap kreditur. Variable yang dianalisis adalah V1 sampai dengan V20 dilakukan menggunakan perangkat lunak R. Tahapan metode penelitian menggunakan CRIPS-DM. untuk tahap pelatihan menggunakan 70% data dan Pengujian menggunakan 30% data secara acak dari 1000 data. Hasil performa dari algoritma random forest tersebut yaitu memiliki tingkat akurasi sebesar 0,77 atau 77% sehingga termasuk pada kategori klasifikasi fair model.

Referensi

Indriati, Vebian. Zuhroh, Idah. Susilowat, Dwi. 2018. Analisis penyaluran kredit modal kerja pada bank umum di Indonesia. Jurnal Ilmu Ekonomi,Vol 2 (3): 529-540. [2] Ramelda, Susi. 2017. Pengaruh suku bunga kredit dan produk domestik bruto terhadap penyaluran kredit perbankan bank umum pemerintah di indonesia, JOM Fekon Vol 4 (1). [3] Safitri, Yuliana. 2015. Analisis Kelayakan Pemberian Kredit Usaha Rakyat (KUR) pada PT. Bank Rakyat Indonesia (Persero) Tbk Unit Air Putih Cabang Samarinda. Fakultas EkonomiUniversitas 17 Agustus 1945 Samarinda. [4] Siringoringo, Renniwaty. 2017. Fungsi Intermediasi Perbankan Indonesia (Studi Kasus Bank Umum Konvensional yang Tercatat di BEI Periode 2012-2016), Jurnal Inspirasi Bisnis dan Manajemen, Vol 1 (2): 135-144 [5] Vanissa Wanika Siburian Ika Elvina Mulyana. 2018. Prediksi Harga Ponsel Menggunakan Metode Random Forest. Prosiding Annual Research Seminar 2018 Vol 4 (1). [6] Alfarobi, Ibnu. Tutupoly, Agasya, Taransa. Suryanto, Ade. 2018. Komparasi algoritma c4.5, naive bayes, dan random forest untuk klasifikasi data kelulusan mahasiswa jakarta [7] Hofmann, H. 2000. Statlog (German Credit Dataset) https://archive.ics.uci.edu/ml/machine-learning-databases/statlog/german diakses tanggal 15 Januari 2020 pukul 13.56 WIB [8] S. Pudaruth. 2014. Predicting the price of used cars using machine learning techniques. Int, J, Inf, Comput, Technol. Vol 4 (7). 753–764. [9] Rismayanti. 2018. Decision Tree Penentuan Masa Studi Mahasiswa Prodi Teknik Informatika (Studi Kasus: Fakultas Teknik dan Komputer Universitas Harapan Medan). Vol 2 (1) [10] Wahyudin. 2009. Metode Iterative Dischotomizer 3 (ID3) untuk Penyeleksian Penerimaan Mahasiswa Baru, Jurnal Pendidikan Teknologi Informasi dan Komunikasi(PTIK). Vol 1 (2): 5-15. [11] Suswanto, Deni. 2016. Analisis Perbandingan Metode Machine Learning Pada Prediksi Khasiat Jamu [Skripsi]. Jawa Barat (ID): Institut Pertanian Bogor. [12] Shannon, C.E. 2001. A mathematical theory of communication. Mobile Computing and Communications Review Vol 5 (1) . [13] Rahayu, Sri, Erna. Wahono, Satria, Romi. Supriyanto, Catur. 2015. Penerapan Metode Average Gain, Threshold Pruning dan Cost Complexity Pruning untuk Split Atribut pada Algoritma C4.5. Journal of Intelligent Systems, Vol 1 (2). [14] Nugroho, Sulistyo, Yusuf. Emiliyawati, Nova. 2017. Sistem Klasifikasi Variabel Tingkat Penerimaan Konsumen Terhadap Mobil Menggunakan Metode Random Forest. Jurnal Teknik Elektro Vol 9 (1) [15] Alpha P, A., & Oslan, Y. 2015. Program Bantu Pemilihan Pakaian dan Bahan Batik Bagi Konsumen dengan Pendekatan Decision Tree Studi Kasus : Toko InBATIK. Jurnal EKSIS Vol 8 (1): halaman 37-46 [16] Han, Jiawei., Micheline Kamber., & Jian Pei. 2012. Data Mining Concepts and Techniques. Elsevier Inc. [17] Zefriyenni. Yuliana, Ufi, Ira. 2016. Kebijakan Pemberian Kredit Terhadap Penetapan Jumlah Kredit (Studi Khasus Pada Ued-Sp Amanah Sejahtera Sungai Buluh kecamatansingingi Hilirkabupaten Kuantan Singingi Propinsi Riau). Penelitian Bidang Komputer Sains dan Pendidikan Informatika Vol 1 (1) : 72-80. [18] Bischl, Bernd et.all. 2016. Mlr : Machine Learning in R. Journal of Machine Learning Research. 17(2016) : 1-5

Unduhan

Telah diserahkan

19-03-2020

Diterima

30-08-2021

Diterbitkan

02-09-2021

Cara Mengutip

[1]
B. Prasojo dan E. Haryatmi, “Analisa Prediksi Kelayakan Pemberian Kredit Pinjaman dengan Metode Random Forest”, TEKNOSI, vol. 7, no. 2, hlm. 79–89, Sep 2021.

Terbitan

Bagian

Articles

Artikel Serupa

> >> 

Anda juga bisa Mulai pencarian similarity tingkat lanjut untuk artikel ini.