PENERAPAN ALGORITMA DATA MINING TERHADAP PENERIMA KREDIT MOTOR

  Seminar Nasional Teknologi Informasi dan Multimedia 2016 STMIK AMIKOM Yogyakarta, 6-7 Februari 2015 ^{ISSN : 2302-3805}

  

PENERAPAN ALGORITMA DATA MINING TERHADAP PENERIMA

KREDIT MOTOR

Harry Dhika

  1) , Fitriana Destiawati

  2) _{1), 2)} Teknik Informatika Universitas Indraprasta PGRI

Jl Nangka No. 58B, Jakarta, DKI Jakarta 12530

  Email : dhikatr@yahoo.com

¹⁾

, honeyzone86@gmail.com ²⁾ Abstrak

  Penelitian dilakukan pada anak perusahaan yang memberikan kredit motor. Pada saat konsumen mengajukan kredit motor maka dengan memasukan profile pribadi konsumen, akan diketahui bahwa konsumen tersebut data kreditnya disetujui atau ditolak. Dari 224 data konsumen yang diperoleh maka diketahui konsumen yang disetujui pembiayaan kredit motornya sebanyak 87% atau sekitar 217 konsumen, sedangkan yang ditolak sebesar 16%atau sebanyak 6 konsumen ditolak pengajuan kreditnya. Penerimaan kredit motor menggunakan metode penerapan algoritma dengan proses CRIS-P DM yang merupakan standar industry dalam pemrosesan data mining. Algoritma yang digunakan dalam menentukan keputusan yakni algoritma C4.5. hasil yang di peroleh sebelumnya dikukur tingkat akurasinya dengan Confusion Matrix dan Receiver Operating Caracteristic (ROC). Evaluasi dalam Confusion Matrix mencari nilai accuracy, nilai precision, dan nilai recall data, sedangkan menggunakan Receiver Operating Caracteristic (ROC) mencari data dengan tabel dan perbandingan Area Under Curve (AUC) Kata kunci: Kredit Motor, CRIS-P DM, data mining, algoritma C4.5, Confusion Matrix, ROC

  Saat ini kendaraan bermotor atau motor sangat banyak sekali di jalan, tak jarang kita juga melihat banyak kemacetan. Jumlah motor yang semakin meningkat membuat kita tanpa sadar bahwa motor adalah kendaraan yang paling mudah dan efisien. Dalam mendapatkan motor juga sudah dipermudah, mudahnya mendapatkan motor membuat salah satu perusahaan penyedia layanan kredit harus lebih selektif dikarenakan pesanan yang tinggi terkadang harus diikuti dengan kesiapan dalam bidang teknologi yang baik untuk itu dibutuhkan sebuah system keputusan sederhana dalam menganalisa pemberian kredit kendaraan bermotor. Selain itu terdapat latar belakang lain yang mempengaruhi khusus pada angsuran atrau kebutuhan akan pembiayaan yang baik harus didukung dengan validitas data yang baik sehingga dalam perjalanan dalam angsuran kedepannya masalah kredit macet dapat diminimalisir.

  Adapun masalah yang dihadapi sampai saat ini yakni: belum adanya sebuah sistem komputerisasi yang dapat menangani masalah keputusan pemberian kredit pada konsumen atau pada penerima kredit motor, selain itu kebutuhan atas komputerisasi sangat dibutuhkan karena diikuti oleh meningkatnya pesanan terhadap motor. kebutuhan atas sistem tersebut dibuat dengan mengharapkan bahwa tercapainya beberapa tujuan dalam perancangan system penerapan algoritma data mining terhadap penerima kredit motor yakni: menerapkan algoritma c4.5 kedalam data penerima kredit motor, dengan begitu pada tahap awal ini hanya bertujuan mencari rule atau membuat model saja tentang penerimaan atau penolakan berdasarkan data yang ada pada objek penelitian, memudahkan kinerja khususnya dalam menentukan keputusan bahwa penerima atau calon konsumen berhak mendapat persetujuan atau penolakan terhadap kredit yang diajukan. Dalam pengajuan kredit jika dengan cepat dapat diputuskan dengan seluruh kelengkapan data maka akan diperoleh efisiensi waktu dalam mengajukan kredit, untuk itu bisa lebih memaksimalkan dalam memberikan pelayanan kepada konsumen. Penelitian ini juga bertujuan untuk mengetahui dokumen dan segala kelengkapan apa saja yang dibutuhkan dalam pengajuan kredit yang sebenarnya dapat dengan mudah dilakukan.

  Data mining

  Konsep yang digunakan dalam penelitian ini menggunakan konsep dari data mining yakni Data mining atau menambang data didefinisikan sebagai metode yang digunakan untuk mengekstraksi informasi prediktif tersembunyi pada database, ini adalah teknologi yang sangat potensial bagi perusahaan dalam memberdayakan data warehousenya [7]. Data mining disebut sebagai proses ekstraksi pengertahuan dari data yang besar, sesuai fungsinya data mining adalah proses pengambilan keputusan dari volume data yang besar yang disimpan dalam basis data, data warehouse, atau informasi yang disimpan dalam repository[2]. Istilah data mining berasal dari kemiripan antara pencarian informasi yang bernilai dari basis data yang besar dengan menambang sebuah gunung untuk memperoleh sesuatu yang bernilai [8].

1. Pendahuluan

  Seminar Nasional Teknologi Informasi dan Multimedia 2016 STMIK AMIKOM Yogyakarta, 6-7 Februari 2015 ^{ISSN : 2302-3805}

  Tahapan ini meruapakan tahapan pengolahan data atau dapat juga dikatakan sebagai tahapan persiapan data. Banyak persiapan yang dilakukan pada tahapan ini tak jarang fase ini juga disebut sebagai fase padat karya. Beberapa kegiatan seperti pemilihan tabel dan field terjadi pada fase ini. Pemilihan tabel dan field tersebut akan di masukan atau di transformasikan kedalam

  Algoritma C4.5

  Fase ini merupakan tahapan pembuatan laporan atau implementasi knowledge yang diperoleh pada fase sebelumnya.

  Deployment Phase (Fase Penyebaran)

  Fase ini merupakan tahapan analisa dari hasil pengolahan fase sebelumnya dengan meninterpretasikan data yang kemudian diperoleh nilai perbandingan dengan proses model yang sebelumnya. Perlunya kajian mendalam pada tahapan ini untuk menentukan nilai akurasi data model yang dihasilkan hal tersebut bertujuan agar dapat digunakan oleh sasaran sesuai rencana pada domain goal pada fase pertama

  Evaluation Phase (Fase Evaluasi)

  Pada fase pemodelan dilakukan penggunaan aplikasi seperti Rapidminer, aplikasi pengolah data mining mentah, dimasukan juga algoritma C4.5, dari data tersebut dipilih attribute yang menjadi label, seluruh parameter dipilih dengan penentuan nilai yang optimal.

  Modeling Phase (Fase Pemodelan)

  yang lain atau database baru sebagai bahan atau data mentah, data mining mentah.

  database

  Data Preparation Phase (Fase Pengolahan Data)

  Model Penelitian

  form identitas, penghasilan perbulan, masa kerja, uang muka, usia, lama angsuran, penjamin hingga hasil persetujuan atas kredit yang dilakukan oleh objek penelitian. Data ini seluruhnya adalah kegiatan yang telah dilaksanakan oleh objek penelitian dalam menjalankan usaha bisnisnya dan seluruh data diambil berdasarkan berkas yang ditunjukan oleh objek penelitian, jika data yang diperoleh semakin banyak maka hasil dari akurasi datanya juka akan maksimal. Jika diperlukan acuan pustaka juga dapat dilakukan pada tahapan ini. Dalam tahapan ini perlunya identifikasi terhadap masalah kualitas data yang baik sehingga diperoleh nilai subset yang sesuai, menarik dalam pembuatan hipotesa awal.

  attribute yang tersedia pada objek penelitian, nilai dari

  Dikenal dengan fase pemahaman terhadap data yang diperoleh kemudian data awal yang dikumpulkan dengan melakukan observasi langsung dengan melakukan analisa terhadap berkas persetujuan atau penolakan yang terdapat pada objek penelitian, perlu dilakukan kajian sehingga diketahui data yang akan digunakan, data yang diambil seluruhnya berjumlah 224 berkas profile pengajuan. Seluruh data berjumlah 224 sebagai populasi disalin setiap field dan bagian kedalam tabel atribut yang kemudian dibagi menjadi 2 kelompok atau 2 bagian, dengan bagian pertama terdiri dari 80% data yang digunakan untuk dimasukan dalam aplikasi Rapidminer, data ini disebut sebagai data training data yang dijadikan acauan dalam membuat rule atau model algoritma, selanjutnya 20% data berikutnya akan digunakan dalam uji coba rule atau model, data uji coba ini dinamakan data testing. Pengumpulan data dilakukan sesuai dengan

  Data Understanding Phase (Fase Pemahaman Data)

  Dalam hal ini dilakukan pemahaman terhadap penelitian yang dilakukan perlunya pemhaman terhadap subtansi atau inti dari penelitian yang dilakukan mulai dari kebutuhan dan perspektif bisnis yang dilakukan, terdapat beberapa kegiatan pada tahapan ini diantaranya adalah ditentukannya sasaran dan tujuan dari penelitian, pemahaman kondisi atau situasi bisnis, menentukan tujuan dari data mining dan melakukan penjadwalan atau perencanaan strategi penelitian.

  Standart Industries Process for Data Mining ): Business/Research Understanding Phase

  Terdapat beberapa tahapan dalam CRISP-DM (Cross

  Industries Process for Data Mining )

  Mining ), dalam metode ini terdapat 6 tahapan[4]: Gambar 1. Tahap CRISP-DM (Cross Standart

  Penelitian ini didesain dengan menggunakan model CRISP-DM (Cross Standart Industries for Data

  Algoritma C4.5 merupakan algoritma klasifikasi dengan teknik pohon keputusan yang terkenal dan disukai karena memiliki kelebihan-kelebihan. Kelebihan ini misalnya dapat mengolah data numerik (kontinyu) dan diskret, dapat menangani nilai atribut yang hilang, menghasilkan aturan-aturan yang mudah diintrepetasikan dan tercepat diantara algoritma-algoritma yang lain. Keakuratan prediksi yaitu kemampuan model untuk dapat memprediksi label kelas terhadap data baru atau yang belum diketahui sebelumnya dengan baik. Dalam

  Seminar Nasional Teknologi Informasi dan Multimedia 2016 STMIK AMIKOM Yogyakarta, 6-7 Februari 2015 ^{ISSN : 2302-3805}

  Meta Data Dari meta data tersebut dilakukan pengolahan pada rapid miner dengan main proses sebagai berikut:

  Lama Angsuran

  Usia <17 Tahun, 17-45 Tahun, >45 Tahun

  Uang Muka <1 Juta, 1-2 Juta, 2-3 Juta, 3-4 Juta, >5 Juta

  Masa Kerja 1-2 Tahun, 2-3 Tahun, 3-4 Tahun, 4-5 Tahun, >5 Tahun

  1 Juta, 2 Juta, 3 Juta, 4 Juta, >5 Juta

  Identitas Lengakap, Tidak Lengkap Pengahasilan Perbulan

  Tabel 1. Kritaria Penerima Kredit Motor Attribut Nilai

  Kajian dilakukan pada anak perusahaan pemberi kredit motor yang merupakan unit aktifitas yang diteliti, dengan batasan masalah untuk membuat model atau rule yang ada pada perusahaan tersebut, sehingga diketahui model pemberian atau persetujuan kredit motor. Kemudian dilakukan kunjungan, dari hasil kunjungan yang dilakukan dalam mengambil data dengan jumlah populasi sebanyak 224 pengajuan kredit ke objek penelitian diperoleh kriteria sebagai berikut:

  2. Pembahasan

  hal kecepatan atau efisiensi waktu komputasi yang diperlukan untuk membuat dan menggunakan model. Kemampuan model untuk memprediksi dengan benar walaupun data ada nilai dari atribut yang hilang. Dan juga skalabilitas yaitu kemampuan untuk membangun model secara efisien untuk data berjumlah besar (aspek ini akan mendapatkan penekanan). Terakhir interpretabilitas yaitu model yang dihasilkan mudah dipahami. Selain itu dapat juga dikatakan bahwa Algoritma merupakan kumpulan perintah yang tertulis secara sistematis guna menyelesaikan permasalahan logika dari matematika. Pengertian algoritma C4.5 merupakan algoritma yang digunakan untuk membentuk pohon keputusan. Sedang pohon keputusan dapat diartikan suatu cara untuk memprediksi atau mengklarifikasi yang sangat kuat. Pohon keputusan dapat membagi kumpulan data yang besar menjadi himpunan-himpunan record yang lebih kecil dengan menerapkan serangkaian aturan keputusan Ada beberapa tahap dalam membuat sebuah pohon keputusan dengan algoritma C4.5 [3], yaitu :

  Gambar 2.

  Gambar 3.

  Penjamin Hasil Disetujui, Ditotak Perancangan dilakukan menggunakan perangkat lunak Rapidminer ver. 5.1 hasil meta data yang telah diinput sebagai berikut:

  Main Proses Main proses dilakukan sesuai dengan tahapan CRISP- DM dengan menambahkan data dengan tipe csv, dan memasukan box validation untuk memastikan agar hasil pengukuran dapat maksimal. Selanjutnya diperoleh tingkat pengukuran akurasi sebagai berikut:

  ( ) ……(2) Keterangan: S = himpunan kasus A = fitur n = jumlah partisi atribut A │S i │ = proporsi S i terhadap S │S│ = jumlah kasus dalam S 4. Ulangi langkah ke-2 hingga semua record terpartisi.

  =1

  ∗

  │ │ │ │

  Kemudian hitung nilai gain menggunakan rumus: ( , ) = ( ) − ∑

  ……(1) Keterangan: S = himpunan kasus n = jumlah partisi S p i = proporsi S i terhadap S 3.

  2 =1

  ( ) = ∑ − ∙ log

  entropy digunakan rumus:

  2. Menentukan akar dari pohon. Akar akan diambil dari atribut yang terpilih, dengan cara menghitung nilai gain dari masing-masing atribut, nilai gain yang paling tinggi yang akan menjadi akar pertama. Sebelum menghitung nilai gain dari atribut, hitung dahulu nilai entropy. Untuk menghitung nilai

  1. Menyiapkan data training. Data training biasanya diambil dari data histori yang pernah terjadi sebelumnya dan sudah dikelompokkan ke dalam kelas-kelas tertentu.

  1 Tahun, 2 Tahun, 3 Tahun, 4 Tahun, 5 Tahun. Penjamin Ada Penjamin, Tidak Ada

5. Proses partisi pohon keputusan akan berhenti saat : a.

  c.

  Tidak ada atribut di dalam record yang dipartisi lagi.

  b.

  Semua record dalam simpul N mendapat kelas yang sama.

  Gambar 4. Pengukuran Akurasi data

  Tidak ada record di dalam cabang yang kosong.

  ISSN : 2302-3805 Seminar Nasional Teknologi Informasi dan Multimedia 2016 STMIK AMIKOM Yogyakarta, 6-7 Februari 2015

  Hasil pengukuran akurasi data diperoleh bahwa secara Setelah dilakukan seluruh tahapan evaluasi untuk keseluruhan nilainya mencapai 85.67% dari tabel confusion matrix maka selanjutnya dilakukan analisa tersebut diketahui prediksi disetujui pengajuan kredit evaluasi pembanding yakni terhadap pengukuran konsumen dengan true disetujui mencapai nilai 190 receiver operating characteristic (ROC) sebagai berikut: konsumen dan untuk true ditolak sebanyak 27 konsumen dengan hasil capaian nilai presisi mencapai sebesar 87.56% sedangkan untuk prediksi data konsumen ditolak untuk true disetujui mencapai nilai 5 konsumen dan untuk true ditolak terdapat 1 konsumen atau 1 penerima kredit motor, persentase di tolak konsumen adalah sebesar 16.67% konsumen. Untuk recall data konsumen sangat tinggi yakni untuk class recall true disetujui mencapai 97.44% sedangkan untuk class recall true ditolak mencapai nilai 3.57% konsumen penerima kredit motor. Pengukuran akurasi melihat data lebih besar kepada konsumen diterima dengan tingkat akurasi

  Gambar 7. Pengukuran UAC Optimistic

  tertinggi yang berbanding terbalik dengan pengukuran presicion .

  Nilai dari ROC dilakukan pengukuran terlebih dahulu terhadap Area Under Curvenya (AUC) optimistic Pengukuran berikutnya sebagai pembanding yakni dengan nilai sebesar 0.613 terhadap kelas ditolak. presision data sebagai berikut: pengukuran dilakukan berikutnya terhadap AUC normal yakni

  Gambar 5. Pengukuran Precision data

  Hasil pengukuran precision data diperoleh bahwa secara keseluruhan nilainya mencapai 16.67% hasil ini sama seperti hasil pengukuran pada akurasi dengan hasil dari tabel tersebut diketahui prediksi disetujui pengajuan kredit konsumen dengan true disetujui mencapai nilai 190 konsumen dan untuk true ditolak sebanyak 27 konsumen dengan hasil capaian nilai presisi mencapai sebesar 87.56% sedangkan untuk prediksi data

  Gambar 8. Pengukuran AUC

  konsumen ditolak untuk true disetujui mencapai nilai 5 Nilai yang diperoleh dari pengukuran AUC yakni konsumen dan untuk true ditolak terdapat 1 konsumen sebesar 0.477 untuk kelas di tolak. Selanjutnya atau 1 penerima kredit motor, persentase di tolak pengukuran untuk pesimisticnya adalah sebagai berikut: konsumen adalah sebesar 16.67% konsumen. Untuk recall data konsumen sangat tinggi yakni untuk class recall true disetujui mencapai 97.44% sedangkan untuk class recall true ditolak mencapai nilai 3.57% dalam hal ini data difokuskan pada kebalikan hasil accuracy.

  Nilai pengukuran confusion matrix selanjutnya yakni class recall sebagai berikut:

  Gambar 6.

  Pengukuran Recall data

  Gambar 9. Pengukuran AUC Pessimistic

  Hasil dari pengukuran recall data jika diperhatikan untuk Nilai yang diperoleh dari AUC pessimistic yakni 0.341 prediksi disetujui dan prediksi ditolak adalah sama untuk class predictive ditolak. Pengukuran berikutnya dengan gambar 4. Dan sama dengan gambar 5. Yang dilakukan untuk mengetahu performance terhadap vector membedakan adalah nilai dari recall sebesar 3.33% yang yang diperoleh sebagai berikut: membedakan dengan lainnya. Nilainya mengartikan bahwa untuk nilai atau hasil keputusan dalam pemberian

  PerformanceVector: kredit motor sangat sedikit sekali yang ditolak sehingga accuracy: 85.67% +/- 4.27% (mikro: yang merupakan positive class adalah “ditolak”. 85.65%) ConfusionMatrix:

  ISSN : 2302-3805 Seminar Nasional Teknologi Informasi dan Multimedia 2016 STMIK AMIKOM Yogyakarta, 6-7 Februari 2015

  True: Disetujui Ditolak Disetujui: 190

  27 Disetujui: 190

  27 Ditolak:

  5

  1 Ditolak:

  5

  1 AUC (optimistic): 0.613 +/- 0.142 precision: 16.67% (positive class: (mikro: 0.613) (positive class: Ditolak) Ditolak) ConfusionMatrix: AUC: 0.477 +/- 0.162 (mikro: 0.477) True: Disetujui Ditolak (positive class: Ditolak) Disetujui: 190

  27 AUC (pessimistic): 0.341 +/- 0.201 Ditolak:

  5 1 (mikro: 0.341) (positive class: recall: 3.33% +/- 10.00% (mikro: Ditolak) 3.57%) (positive class: Ditolak)

  Dari hasil keseluruhan maka diperoleh pohon keputusan ConfusionMatrix: sebagai berikut: True: Disetujui Ditolak

  

Gambar 9. Pohon Algoritma C4.5 Penerima Kredit Motor

  Pada Gambar 9. Pohon Algoritma C4.5 Penerima Kredit sederhana dibuat dalam bentuk pohon text maka akan Motor jika di jabarkan kedalam bahasa yang lebih diperoleh hasil sebagai berikut: Masa Kerja = 1-2 Tahun | Lama Angsuran = 1 Tahun: Disetujui {Disetujui=8, Ditolak=1} | Lama Angsuran = 2 Tahun: Disetujui {Disetujui=11, Ditolak=2} | Lama Angsuran = 3 Tahun | | Usia = 17-45 Tahun: Disetujui {Disetujui=7, Ditolak=0} | | Usia = <17 Tahun | | | Penjamin = Ada Penjamin: Disetujui {Disetujui=4, Ditolak=0} | | | Penjamin = Tidak ada Penjamin: Ditolak {Disetujui=0, Ditolak=3} | | Usia = >45 Tahun: Disetujui {Disetujui=4, Ditolak=1} | Lama Angsuran = 4 Tahun: Disetujui {Disetujui=12, Ditolak=0} | Lama Angsuran = 5 Tahun: Disetujui {Disetujui=2, Ditolak=0} Masa Kerja = 2-3 Tahun | Usia = 17-45 Tahun | | Lama Angsuran = 1 Tahun | | | Penjamin = Ada Penjamin: Disetujui {Disetujui=3, Ditolak=0} | | | Penjamin = Tidak ada Penjamin: Ditolak {Disetujui=0, Ditolak=2} | | Lama Angsuran = 2 Tahun: Disetujui {Disetujui=5, Ditolak=1} | | Lama Angsuran = 3 Tahun: Disetujui {Disetujui=10, Ditolak=1} | | Lama Angsuran = 4 Tahun: Disetujui {Disetujui=4, Ditolak=1} | Usia = <17 Tahun | | Penjamin = Ada Penjamin: Disetujui {Disetujui=14, Ditolak=0} | | Penjamin = Tidak ada Penjamin: Ditolak {Disetujui=0, Ditolak=2} | Usia = >45 Tahun: Disetujui {Disetujui=13, Ditolak=1}

  ISSN : 2302-3805 Seminar Nasional Teknologi Informasi dan Multimedia 2016 STMIK AMIKOM Yogyakarta, 6-7 Februari 2015

  Masa Kerja = 3-4 Tahun | Lama Angsuran = 1 Tahun: Disetujui {Disetujui=10, Ditolak=0} | Lama Angsuran = 2 Tahun: Disetujui {Disetujui=7, Ditolak=2} | Lama Angsuran = 3 Tahun: Disetujui {Disetujui=8, Ditolak=1} | Lama Angsuran = 4 Tahun: Disetujui {Disetujui=5, Ditolak=0} | Lama Angsuran = 5 Tahun: Ditolak {Disetujui=0, Ditolak=2} Masa Kerja = 4-5 Tahun | Lama Angsuran = 1 Tahun: Disetujui {Disetujui=6, Ditolak=1} | Lama Angsuran = 2 Tahun: Disetujui {Disetujui=16, Ditolak=0} | Lama Angsuran = 3 Tahun | | Penjamin = Ada Penjamin: Disetujui {Disetujui=10, Ditolak=1} | | Penjamin = Tidak ada Penjamin: Ditolak {Disetujui=0, Ditolak=2} | Lama Angsuran = 4 Tahun: Disetujui {Disetujui=4, Ditolak=0} | Lama Angsuran = 5 Tahun: Disetujui {Disetujui=2, Ditolak=0} Masa Kerja = >5 Tahun: Disetujui {Disetujui=30, Ditolak=4} Untuk hasil pengukuran tingkat akurasi dalam data

  Biodata Penulis

  mining, nilai tersebut dapat dibagi menjadi beberapa

  Harry Dhika, memperoleh gelar Sarjana Komputer kelompok[1].

  (S.Kom), Jurusan Teknik Informatika Universitas a. 0.90-1.00 = klasifikasi sangat baik

  Indraprasta PGRI, lulus tahun 2009. Memperoleh b. 0.80-0.90 = klasifikasi baik gelar Magister Komputer (M.Kom) Program Pasca c.

  0.70-0.80 = klasifikasi cukup Sarjana Magister Teknik Informatika STMIK Nusa d. 0.60-0.70 = klasifikasi buruk

  Mandiri, lulus tahun 2012. Saat ini menjadi Dosen di e. 0.50-0.60 = klasifikasi salah Univ. Indraprassta PGRI.

  Fitriana Destiawati,

  memperoleh gelar Sarjana Dari nilai hasil pengukuran akurasi maka dapat

  Komputer (S.Kom), Jurusan Teknik Informatika disimpulkan sesuai dengan pengelompokan klasifikasi Universitas Indraprasta PGRI, lulus tahun 2008. masuk pada klasifikasi baik untuk Penerapan algoritma

  Memperoleh gelar Magister Komputer (M.Kom) data mining terhadap penerima kredit motor Program Pasca Sarjana Magister Teknik Informatika STMIK Nusa Mandiri, lulus tahun 2011. Saat ini

3. Kesimpulan menjadi Dosen di Univ. Indraprassta PGRI.

  Penerapan algoritma data mining terhadap penerima kredit motor memiliki tingkat akurasi yang cukup tinggi yakni 87% atau sekitar 217 konsumen, sedangkan yang ditolak sebesar 16%atau sebanyak 6 konsumen ditolak pengajuan kreditnya dari 224 konsumen. Kategori penelitian ini masuk dalam klasifikasi baik dengan persentase 0.80-0.90. dari hasil tersebut maka perlu terus dikembakan dan dikomparasikan dengan beberapa algoritma lain sehingga hasil akurasi bisa jauh lebih tinggi lagi. Pada tahapan ini hanya menyimpulkan model atau rule yang terbentuk, kedepannya dari model tersebut dapat dikembangkan berupa aplikasi yang memilihi interface yang lebih baik lagi.

  Daftar Pustaka [1] Gorunescu, Florin, “Data Mining: Concepts, Models, and

  Techniques ” Verlag Berlin Heidelberg: Springer 2011 [2] Han, J.,& Kamber, M, “Data Mining Concept and Tehniques. San

  Fransisco” Morgan Kauffman, 2006 [3] Kusrini & Luthfi, E. T, Algoritma Data Mining, Yogyakarta: Andi Publishing, 2009 [4] Larose, D. T, “Discovering Knowledge in Data, New Jersey: John Willey & Sons Inc, 2005 [5] Leidiyana, Henny, “Komparasi Algoritma Data Mining Dalam Penentuan Resiko Kredit Kepemilika n Kendaraan Bermotor”, Juli 2011. [6] Liao, “Recent Advances in Data Mining of Enterprise Data: Algorithms and Application

  ”, Singapore: World Scientific Publishing, 2007 [7] Sulianta, Feri, Dominikus Juju, Data Mining Meramalkan Bisnis Perusahaan, PT. Elex Media Komputindo, Jakarta, 2010 [8] Sumathi, & S, Sivanandam, S.N, Introduction to Data Mining and its Applications, Berlin Heidelberg New York: Springer, 2006