Analisis Rekomendasi Calon Debitur Motor pada PT.XYZ menggunakan Algortima C 4.5

Penulis

Lilis Nurellisa, Devi Fitrianah

Abstrak

PT.XYZ merupakan perusahaan jasa pembiayaan atau leasing dengan berkonsentrasi kepada pembiayaan sepeda motor. Dalam bisnisnya PT.XYZ sering sekali dihadapkan oleh masalah kredit macet atau bahkan penipuan. Hal ini dikarenakan kesalahan dalam pemberian kredit kepada calon debitur yang tidak potensial. Jika tidak ditangani hal ini tentu saja akan berdampak buruk bagi perusahaan. Perusahaan mengalami penurunan kemampuan dalam membayar angsuran pinjaman ke perbankan bahkan dapat berdampak pada kebangkrutan. Dalam hal ini PT.XYZ perlu melalukan analisis untuk menentukan calon debitur yang potensial dengan menggunakan data driven method atau pendekatan berbasis kepada data. Yaitu pengambilan keputusan dengan melihat data pengajuan kredit yang pernah ada sebelumnya yang disebut juga sebagai supervised learning. Algoritma yang digunakan adalah algoritma C4.5 karena algoritma ini dapat mengklasifikasi data yang sudah ada sebelumnya. Dengan algoritma ini akan dihasilkan sebuah pohon keputusan yang akan membantu PT.XYZ dalam pengambilan keputusan. Dengan pengujian menggunakan 3587 sampel data pengajuan kredit dalam kurun waktu 1 tahun akurasi yang didapatkan ialah 97,96%. Dengan begitu hal ini menunjukkan bahwa metode klasifikasi menggunakan algoritma C4.4 berhasil diimplementasikan dengan baik. Hal ini diharapkan dapat membantu PT.XYZ dalam merekomendasikan calon debitur yang potensial.

 

Abstract

PT. XYZ is a finance or leasing service company by concentrating on motorcycle financing. In its business, PT. XYZ is often faced with problems of bad credit or even fraud. This is due to an error in giving credit to potential debtors. If it is not handled this, of course, will have a bad impact on the company. Companies experiencing a decline in the ability to repay loan installments to banks can even have an impact on bankruptcy. In this case, PT. XYZ needs to do an analysis to determine potential debtors using data-driven methods or data-based approaches. That is decision making by looking at credit application data that has never been before, which is also called supervised learning. The algorithm used is the C4.5 algorithm because this algorithm can classify pre-existing data. With this algorithm, a decision tree will be produced that will help PT. XYZ in decision making. By testing using 3587 samples of credit filing data within a period of 1 year the accuracy obtained was 97.96%. That way this shows that the classification method using the C4.4 algorithm is successfully implemented properly. This is expected to help PT. XYZ in recommending potential debtors.


Teks Lengkap:

PDF

Referensi


ALTUJJAR, Y., ALTAMIMI, W., AL-TURAIKI, I., & AL-RAZGAN, M. (2016). Predicting Critical Courses Affecting Students Performance: A Case Study. Procedia Computer Science, 82(March), 65–71. https://doi.org/10.1016/j.procs.2016.04.010

ARIFIN, M. F., & FITRIANAH, D. (2018). Penerapan Algoritma Klasifikasi C4.5 Dalam Rekomendasi Penerimaan Mitra Penjualan Studi Kasus : PT Atria Artha Persada. InComTech, 8(2), 87–102. https://doi.org/10.22441/incomtech.v8i1.2198

BUDI UTAMI, Y. R. (2016). Klasifikasi Penentuan Tim Utama Olahraga Hockey Menggunakan Algoritma C4.5. Techno.COM, 15(4), 364–368.

CAHYONO, A. B. (2010). Analisis Pemanfaatan Small Disjunct Pada Decision Tree Dengan Algoritma Genetika. Seminar Nasional Aplikasi Teknologi Informasi, 6–10.

ELISA, E. (2017). Analisa dan Penerapan Algoritma C4.5 Dalam Data Mining Untuk Mengidentifikasi Faktor-Faktor Penyebab Kecelakaan Kerja Kontruksi PT.Arupadhatu Adisesanti. Jurnal Online Informatika, 2(1), 36. https://doi.org/10.15575/join.v2i1.71

FIRMANSYAH, M. T., & RUSITO. (2016). Implementasi Metode Decision Tree Dan Algoritma C4.5 Untuk Klasifikasi Data Nasabah Bank. Infokam, XII(1), 1–12.

GAURAV L. AGRAWAL, H. G. (2013). Optimization of C4.5 Decision Tree Algorithm for Data Mining Application. International Journal of Emerging Technology and Advanced Engineering, 3(3), 341–345. https://doi.org/10.1109/ITAPP.2010.5566133

HADI, F. (2017). Penerapan Data Mining Dalam Menganalisa Pemberian Pinjamana Dengan Menggunakan Metode Algoritma C5 . 0 ( Studi Kasus : Koperasi Jasa Keuangan Syariah Kelurahan Lambung Bukik ). Jurnal KomTekInfo, 4(2), 214–223.

ISABELLA, RAISA PRATIW, F. A. (2013). Pengaruh Pengendalian Internal Terhadap Kredit Macet (Studi Kasus Pada Finance di Kota Palembang). Jurusan Akuntansi STIE Multi Data Palembang, 2013, (x), 1–13.

JACOBUS, A., & WINARKO, E. (2014). Penerapan Metode Support Vector Machine pada Sistem Deteksi Intrusi secara Real-time. IJCCS (Indonesian Journal of Computing and Cybernetics Systems), 8(1), 13–24. https://doi.org/10.22146/ijccs.3491

JANTAN, H. R., HAMDAN, A. A., & OTHMAN, Z. (2011). Human Talent Prediction in HRM using C4.5 Classification Algorithm. (IJCSE) International Journal on Computer Science and Engineering, 1(4), 2526–2534. https://doi.org/10.4018/jtd.2010100103

KALPESH ADHATRAO, ADITYA GAYKAR, AMIRAJ DHAWAN, R. J. AND V. H. (2013). PREDICTING STUDENTS’ PERFORMANCE USING ID3 AND C4.5 CLASSIFICATION ALGORITHMS Kalpesh. International Journal of Data Mining & Knowledge Management Process (IJDKP), 3(5), 39–52. https://doi.org/10.5121/ijdkp.2013.3504

LATIF ADAM. (2009). Kredit Bermasalah, Penyebab dan Dampaknya. Retrieved March 10, 2019, from http://lipi.go.id/berita/kredit-bermasalah-penyebab-dan-dampaknya-/3997

PARAMITA, M., & ELY, R. (2015). Prediksi Nilai Proyek Akhir Mahasiswa Menggunakan Algoritma Klasifikasi Data Mining. Sistem Informasi, 11(November), 1–7.

PRIYANKA SAINI, SWETA RAIN, A. K. J. (2014). Decision Tree Algorithm Implementation Using Educational Data. International Journal of Computer-Aided Technologies (IJCAx), 1(1), 31–41.

PUTRA, P. P., & CHAN, A. S. (2018). Pengembangan Aplikasi Perhitungan Prediksi Stock Motor Menggunakan Algoritma C 4 . 5 Sebagai Bagian dari Sistem Pengambilan Keputusan ( Studi Kasus di Saudara Motor ). JURNAL INOVTEK POLBENG, 3(1), 24–33.

SADIKIN, M., & ALFIANDI, F. (2018). Comparative Study of Classification Method on Customer Candidate Data to Predict its Potential Risk. International Journal of Electrical and Computer Engineering, 8(6), 4763–4771. https://doi.org/10.11591/ijece.v8i6.pp.4763-4771

SHOLIHAH, H., SATRIA, F., & MUSLIHUDIN, M. (2018). Implementasi Algoritma C4.5 Klasifikasi Nasabah Potensial ADIRA Dinamika Multi Finance Pringsewu. Knsi 2018, 608–612.

SUGIANTO, C. A. (2015). Penerapan Teknik Data Mining Untuk Menentukan Hasil Seleksi Masuk Sman 1 Cibeber Untuk Siswa Baru Menggunakan Decision Tree. Tedc, 9(1), 39–43.

WIBOWO, A. (2017). 10 FOLD-CROSS VALIDATION. Retrieved from https://mti.binus.ac.id/2017/11/24/10-fold-cross-validation/




DOI: http://dx.doi.org/10.25126/jtiik.2020742080