Perbandingan Performa Metode Klasifikasi SVM, Neural Network, dan Naive Bayes untuk Mendeteksi Kualitas Pengajuan Kredit di Koperasi Simpan Pinjam
DOI:
https://doi.org/10.25126/jtiik.2019641352Abstrak
Mendeteksi kualitas kredit sejak dini merupakan satu tahapan penting yang wajib dilakukan oleh koperasi simpan pinjam guna meminimalisir adanya risiko kredit. Dalam penelitian ini, kami menggunakan tiga metode klasifikasi yaitu SVM, Neural Network, dan Naïve Bayes untuk menemukan metode dengan performa yang paling baik dan optimal pada kasus pendeteksian kualitas kredit di koperasi simpan pinjam. Proses yang dilakukan adalah dengan mengimplementasikan data hasil pre processing menggunakan algoritme SVM, Neural Network, dan Naïve Bayes dengan proses evaluasi menggunakan 5-fold cross validation. Hasil yang didapatkan adalah metode Neural Network menjadi metode dengan performa paling baik. Rerata tingkat akurasi yang dihasilkan sebesar 86,81%, rerata precision sebesar 0,8194, rerata recall sebesar 0,8236, dan rerata nilai AUC sebesar 0,9158. Namun, waktu eksekusi yang dihasilkan algoritme Neural Network menjadikan algoritme ini sebagai algoritme paling lambat dibandingkan dengan dua metode lain. Nilai rerata waktu eksekusi dari metode Neural Network sebesar 3,058 detik, jauh lebih lama dibandingkan dua algoritme lain yang hanya berkisar pada nilai 0 – 1 detik.
Abstract
Detecting credit quality at the early stage is an important step that must be done by koperasi simpan pinjam in order to minimize the credit risk. In this research, we use three classification methods i.e. SVM, Neural Network, and Naïve Bayes to find the best performance and optimal method to be used in credit quality detection for koperasi simpan pinjam. The process conducted by implementing pre-processing data using an SVM, Neural Network, and Naïve Bayes algorithm with the evaluation process using 5-fold cross validation. As the result, The Neural Network method was the best performing method. The average level of accuracy produced was 86.81%, mean precision was 0.8194, average recall was 0.8236, and the average AUC value was 0.9158. However, the execution time generated by the Neural Network algorithm made this algorithm the slowest algorithm compared to the other two methods. The average execution time of the Neural Network method was 3.058 seconds, longer than the other two algorithms which only range from 0 - 1 second.
Downloads
Referensi
CHAKRABORTI, S., 2014. A Comparative Study of Performances of Various Classification Algorithms for Predicting Salary Classes of Employees. International Journal of Computer Science and Information Technologies. Vol. 5 No. 2.
FREDENSLUND, K., 2018. Computational Complexity of Neural Networks. [online] Tersedia di: <https://kasperfred.com/posts/computational-complexity-of-neural-networks> [Diakses pada 8 Agustus 2018].
GORUNESCU, F., 2011. Data Mining: Concept, Models, and Techniques. Verlag Berlin Heidelberg: Springer.
HIDAYATULLOH, T., 2014. Kajian Komparasi Penerapan Algoritma Support Vector Machine (SVM) dan Multilayer Perceptron (MLP) dalam Prediksi Indeks Saham Sektor Perbankan: Studi Kasus Saham LQ45 IDX Bank BCA. [online] Tersedia di: < https://www.researchgate.net/publication/264899064> [Diakses pada: 13 Agustus 2018].
JADHAV, S. D. & CHANNE, H. P., 2016. Comparative Study of k-NN, Naïve Bayes, and Decision Tree Classification Techniques. International Journal of Science and Researches. Vol 5 Issue 1.
LAROSE, T. D., 2005. Discovering Knowledge in Data. New Jersey: Jhon Willey & Sons, Inc.
LIAO, W. T. & TRIANTAPHYLLOU, E., 2007. Recent Advances in Data Mining of Enterprise Data: Algorithms and Applications, Series on Computers and Operations Research. Vol 6. Singapore: World Scientific Publishing Co. Pte. Ltd.
MITTAL, L., GUPTA, T., & SANGAIAH, A. K., 2016. Prediciton of Credit Risk Evaluation Using Naïve Bayes, Artificial Neural Network, and Support Vector Machine. The IIOAB Journal.
VAPNIK, V., & CORTES, C., 1995. Support-Vector Networks. Boston: Kluwer Academic Publishers. 20, pp. 273-297.
PRASETYO, E., 2014. Data Mining Mengolah Data Menjadi Infromasi Menggunakan Matlab. Yogyakarta: Andi.
RARAS, B., 2014. Prediksi Data Menggunakan Neural Network dengan Algorithma Backpropagation. [online] Tersedia di: < https://www.academia.edu/7382142/Prediksi_Data_Menggunakan_Neural_Network_dengan_Algorithma_Backpropagation> [Diakses pada: 13 Agustus 2018].
RIDWAN, M., et. al., 2013. Penerapan Data Mining untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naïve Bayes Classifier. Jurnal EECCIS. Vol. 7 No. 1.
SUCIPTO, A., 2015. Prediksi Kredit Macet Melalui Perilaku Nasabah pada Koperasi Simpan Pinjam dengan Menggunakan Metode Algoritma Klasifikasi C4.5. Jurnal DISPROTEK.
WASIATI, H., & WIJAYANTI, D., 2014. Sistem Pendukung Keputusan Penentuan Kelayakan Calon Tenaga Kerja Indonesia Menggunakan Metode Naïve Bayes (Studi Kasus: Di P.T. Karyatama Mitra Sejati Yogyakarta). Indonesia Journal of Network & Security. Vol. 3 No. 2.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Artikel ini berlisensi Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)
Penulis yang menerbitkan di jurnal ini menyetujui ketentuan berikut:
- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).