Peningkatan Akurasi Pada Modified K-NN Untuk Klasifikasi Pengajuan Kredit Koperasi Dengan Menggunakan Algoritma Genetika
DOI:
https://doi.org/10.47775/ictech.v13i2.42Abstract
Pemberian kredit kepada konsumen atau calon nasabah melewati beberapa proses. Proses ini dimulai dari pengajuan kredit kemudian dari proses pengajuan kredit terseut akan dilakukan proses analisis pemberian kredit. Kesalahan mengidentifikasi kredit menyebabkan risiko kredit yang mengarah pada hilangnya pendapatan dan memperluas kredit untuk risiko kredit yang bertipe buruk yaitu ancaman bagi profitabilitas. Teknik klasifikasi data mining dapat digunakan untuk menentukan risiko kredit. Algoritma klasifikasi banyak digunakan oleh peneliti dengan dataset dan hasil yang berbeda pula. k-NN merupakan yang terbaik untuk data denga 10 atribut dibandingkan hasil Naive Bayes, SVM dan C-45. Penelitian dalam hal perbaikan kNN sudah banyak dilakukan oleh banyak peneliti, baik dari segi akurasi maupun dari segi optimasi nilai k. Modified kNN (MKNN) merupakan salah satu algoritma hasil penelitian untuk meningkatan nilai akurasi. Perbaikan yang dilakukan yaitu dengan manambahkan perhitungan nilai validity dalam perhitungan nilai bobot pada kNN tradisional yang digunakan untuk mengatasi masalah outlier. Namun algoritma MKNN masih memiliki kelemahan utama, yaitu penentuan nilai k, biaya komputasi cukup tinggi, rentan terhadap variabel yang non-informatif. Salah satu algoritma yang digunakan untuk mengatasi masalah optimasi yaitu Algoritma Genetika. Algoritma Gentika dapat menentukan nilai k secara otomatis dan dapat meningkatkan nilai akurasi serta mengurangi kompleksitas. Dari hasil eksperimen yang dilakukan dengan menerapkan Algoritma Genetika pada Algoritma Modified K-Nearest Neighbour diperoleh hasil akurasi sebesar 96,47%, recall sebesar 96,47% dan precision sebesar 91,25%.
References
Abdussomad and W. Gata, “ALGORITMA KLASIFIKASI C4.5 BERBASIS PARTICLE SWARM OPTIMIZATION UNTUK PREDIKSI KELAYAKAN KREDIT,†pp. 398–405, 2014.
E. Arisawati, “Penerapan K-Nearest Neighbor Berbasis Genetic Algorithm Untuk penentuan Pemberian Kredit,†J. Sains Komput. Inform., no. 1, pp. 1–11, 2017.
E. S. Y. Pandie, “Implementasi Algoritma Data Mining K-Nearest Neighbour (K-Nn) Dalam Pengambilan Keputusan Pengajuan Kredit,†Paradigma, vol. X, no. Sainstek, pp. 31–34, 2012.
H. Leidiyana, “Penerapan Algoritma K-Nearest Neighbor Untuk Penentuan Resiko Kredit Kepemilikan Kendaraan Bermotor,†J. Penelit. Ilmu Komputer, Syst. Embed. Log., vol. 1, no. 1, pp. 65–76, 2013.
H. Parvin, H. Alizadeh, and B. Minaei-bidgoli, “MKNN : Modified K-Nearest Neighbor,†Proc. World Congr. Eng. Comput. Sci. WCECS, pp. 22–25, 2008.
J. S. Informasi and F. Teknik, “Optimasi teknik klasifikasi modified k nearest neighbor menggunakan algoritma genetika,†J. GAMMA, no. September, pp. 130–134, 2014.
J. Zurada and K. N. Kunene, “Comparisons of the performance of computational intelligence methods for loan granting decisions,†Proc. Annu. Hawaii Int. Conf. Syst. Sci., pp. 1–10, 2011.
Kusrini and L. E. Taufiq, Algoritma Data Mining. Yogyakarta: Andi Offset, 2009.
N. Iriadi, “PENERAPAN ALGORITMA KLASIFIKASI DATA MINING DALAM,†vol. XIV, no. 2, pp. 120–129, 2012.
N. Bhatia and C. Author, “Survey of Nearest Neighbor Techniques,†IJCSIS) Int. J. Comput. Sci. Inf. Secur., vol. 8, no. 2, pp. 302–305, 2010.
S. Susanto and D. Suryadi, Pengantar Data Mining: Menggali Pengetahuan dari Bongkahan Data. Yogyakarta: Andi Offset, 2010.
T. Faritcan and P. Siallagan, “Pencarian Nasabah dengan Menggunakan Data Mining dan Algoritma C 4 . 5 Koperasi Maduma Subang,†J. Tek. Inform. dan Sist. Inf., vol. 1, pp. 221–228, 2015.
