BAB II LANDASAN TEORI DAN KERANGKA PEMIKIRAN
2.3 Kerangka Pemikiran
Gambar 2.5 kerangka pemikiran Penjelasan untuk kerangka pemikiran pada gambar 2.5 yaitu:
a. Problems atau permasalahan yang ada pada penelitian ini adalah penentuan akurasi pada algoritma klasifikasi
b. Approch Approch atau metode penelitian yang dipakai pada kasus ini adalah dengan komparasi algoritma SVM dengan SVM PSO dan Algoritma Naïve Bayes
c. Development yang digunakan dalam membantu proses penelitian ini dengan tools Rapid Miner
d. Implementation Penelitian ini menggunakan data debitur, menggunakan pengambilan data seluruh data populasi, dan urutan desain eksperimen menggunakan Cripss-DM (Cross Standard Industry Process for Data Mining)
e. Measurement Measurement atau pengukuran yang dilakukan adalah dengan Confusion Matrix (Accuracy)
f. Result atau hasil penelitian yang didapat adalah Algoritma lebih akurat untuk penentuan kelayakan pemberian kredit.
BAB III
METODE PENELITIAN
3.1 ANALISA KEBUTUHAN
Pada penelitian ini untuk penerapan Metode Naïve Bayes dan Metode Support Vector Machine berbasis AdaBoost dan Particle Swarm Optimization untuk analisis pola penerimaan kelayakan kredit ini dibutuhkan data-data seperti data penerima Kredit dan data Debitur . Data ini penulis peroleh berdasarkan data penerima kredit tahun 2016, Selanjutnya data yang telah ada akan dijadikan data latih dan data uji yang nantinya akan diolah menggunakan software Rapidminer.
3.2 PERANCANGAN PENELITIAN
Tahap-tahap yang dilakukan dalam tugas akhir ini adalah identifikasi masalah, studi literatur, pengumpulan data dan analisis pola penerimaan Kredit. Pada tahap identifikasi masalah, permasalahan yang dibahas dalam usulan tugas akhir ini adalah menentukan penerima Kredit menggunakan metode Naïve Bayes dan Support Vector machine berbasis AdaBoost dan Particle Swarm Optimization berdasarkan data debitur yang ada.
Pada tahap studi literatur dan pengumpulan data dilakukan pengumpulan data primer dari data kependudukan dan studi literatur. Studi ini meliputi hal-hal yang berkaitan dengan metode Naïve Bayes dan Support Vector Machine berbasis AdaBoost dan Particle Swarm Optimization. Pembelajaran ini didapat baik dari buku-buku literatur, jurnal, paper maupun beberapa artikel di internet.
Gambar 3.1 Desaian Penelitian Preprocessing data
a. Pembersihan Data (Data Cleaning) Pembersihan data merupakan proses menghilangkan noise dan data yang tidak konsisten. Pada tahap ini data-data yang memiliki isian tidak sempurna seperti data yang tidak memiliki kelengkapan atribut yang dibutuhkan dan data yang tidak valid dihapus dari database.
b. Integrasi Data (Data Integration) Integrasi data merupakan proses kombinasi beberapa sumber data ke dalam database. Pada tahap ini dilakukan penggabungan data dari berbagai sumber untuk dibentuk penyimpanan data yang koheren.
c. Seleksi Data (Data Selection
Seleksi data merupakan pemilihan data yang digunakan untuk proses data mining.
Data hasil seleksi yang akan digunakan untuk proses data mining, disimpan suatu berkas dan terpisah dari basis data operasional.
d. Transformasi Data (Data Transformation)
Transformasi data merupakan proses mentransformasikan dan mengkonsolidasikan data yang digunakan untuk proses mining. Pada tahap ini dilakukan pengubahan format data menjadi format yang sesuai dengan teknik data mining yang digunakan.
e. Penggunaan Rapiminer
Pada penerapan data mining ini dibantu menggunakan aplikasi Rapid Miner 5. Rapid Miner 5 merupakan aplikasi data mining open source yang terdiri atas koleksi algoritma machine learning yang dapat digunakan untuk melakukan generalisasi dari sekumpulan data percobaan.
gambar 3.2 tampilan welcom perspektive Rapiminer
Gambar 3.3 tampilan desaian perspective
Gambar .3.4 Kelompok Operator dalam Bentuk Hierarki
gambar .3.5 tampilan algoritma SVM PS0
Gambar. 3.6 tampilan Algoritma SVM dengan Adaboost
Gambar .3.7 tampilan algoritma Naive bayes 3.3 VARIABLE PENELITIAN
3.3.1 Variabel independen (A)
Pada penelitian ini terdapat 10 atribut independen (A), yaitu : a. Karakter (A1)
diperoleh berdasarkan BI Checking atau riwayat kredit seorang nasabah yang tercatat di Bank Indonesia. Sehingga dapat menilai karakter calon debitur. Pada penelitian ini,jika BI Checking nya layak di beri label 1,sedangakan bagi nasabah dengan BI Checking tidak layak diberi label 0.
b. Status Tempat Tinggal (A2)
Status rumah mencerminkan kekayaan yang dimiliki oleh calon debitur dan kemudahan memperoleh informasi keberadaan acalon debitur apabila terjadi tunggakan angsuran. Apabila rumah tersebut diperoleh dengan cara kredit maka performance calon debitur dalam ketepatan pembayaran dapat diketahui. Bila rumah tersebut merupakan milik calon debitur sendiri dan dijaminkan akan lebih tinggi bobot nya maka diberi label 1,sedangkan yang untuk rumah sewa atau kos lebih sulit untuk memperoleh informasi jika terjadi wanprestasi maka diberi label 0.
c. Nilai agunan.(A3)
Merupakan kredit yang diberikan dengan suatu jaminan. Jaminan tersebut dapat berbentuk barang berwujud atau barang yang tidak berwujud artinya setiap kredit yang dikeluarakan akan dilindungi minimal senilai jaminan atau untuk kredit tertentu jaminan harus melebihi jumlah kredit yang diajukan calon debitur. Nilai jaminan yang sebanding dengan nilai pinjaman diberi label 0, sedangkan jaminan yang bernilai diatas pinjaman diberi label 1.
d. Pendapatan/Penghasilan (A4)
Bobot kredit dapat dilihat pula pada penghasilan yang dihasilkan calon debitur setiap bulannya. Semakin besar penghasilan yang didapatnya, dibandingkan dengan angsuran yang harus dibayarnya, maka semakin besar pula bobotnya.
Sehingga calon debitur tersebut dianggap mampu untuk meminjam sejumlah uang tertentu yang akan digunakan untuk keperluannya
.
dengan pendapatan usaha perbulan di atas 4 juta diberi label 1 dan untuk pendapatan 2 juta diberi label 0.e. Pengeluaran perbulan (A5)
Pengeluaran merupakan biaya yang harus dikeluarkan setiap bulannya.
Pengeluaran ini dapat berupa pengeluaran untuk listrik, air, telepon, kebutuhan hidup, dan pengeluaran lainnya. Semakin konsumtif seseorang, maka semakin banyak pula pengeluarannya. Sehingga bila pengeluaran lebih besar dibandingkan penghasilan yang dihasilkannya, maka akan mendapat bobot yang rendah, karena calon debitur tersebut tidak dapat membayar angsurannya.pengeluaran diatas 3 juta perbulan maka diberi lebel 0 sedangkan pengeluaran 1,5 juta diberi label 1.
f. Lama usaha (A6)
Pengalaman usaha berkaitan dengan skill yang dimiliki oleh seseorang. Semakin lama orang tersebut berwirausaha dengan spesifikasi tertentu yang ada padanya, maka akan semakin mengetahui usaha dan pengalamannya dengan baik.
Pengetahuan dan pengalaman dalam wirausaha berkaitan dengan penghasilan yang akan diperolehnya.untuk usaha dibawah 3 tahun di beri label 0 dan untuk lama usaha diatas 3 tahun diberi label 1.
g. Status tempat usaha (A7)
Status tempat usaha jika masih sewa akan menambah pengeluaran dan status tempat usaha dengan milik sendiri akan mengurangi pengeluaran. Maka dari itu untuk status tempat usaha yang masih sewa akan diberi label 0 dan yang milik sendiri akan diberi label 1
Tabel 3.1 atribut kelayakan penerima kredit
No Atribut Kreteria
1 Karakter BI checing baik
2 Status tempat tinggal Rumah sendiri
3 Nilai agunan Diatas nilai pinjaman
4 Status tempat usaha Milik sendiri
5 Pendapatan Diatas 4 juta
6 Pengeluaran Dibawah 2 juta
7 Lama usaha Diatas 3 tahun
3.4 TEKNIK ANALISA
Jenis data yang digunakan yaitu:
a. Data Primer, yaitu data yang diperoleh dari hasil wawancara tentang objek penelitian dan data tersebut merupakan data yang belum diolah penulis.
b. Data Sekunder, yaitu data yang berasal dari penelitian yang dilakukan sebelumnya, didapat dari jurnal, tugas akhir, tesis, dan lain-lain.
3.5 Analisa Sistem
Setelah menemukan bidang penelitian yang di kaji dan melakukan pengumpulan data terkait dengan penentuan calon penerima Kredit, maka tahap selanjutnya adalah menganalisa sistem. Dalam tugas akhir ini analisa sistem terbagi menjadi dua, yaitu analisa sistem lama dan analisa data.
3.5.1 Analisa sistem lama
Analisa sistem lama adalah menganalisa sistem yang sedang di terapkan masih konesional yaitu memilih penerima kredit dengan cara menilai agunan debitur, kemampuan bayar, jenis usaha, pengasilan perbulan, pengasilan perhari.
3.5.2 Analisa data
Setelah menganalisa sistem yang sedang berjalan, maka tahapan dapat dilanjutkan dengan menganalisa data. Data-data yang di butuhkan untuk memulai pembuatan sistem ini dimasukkan ke dalam analisa data sistem untuk menemukan hasil rekomendasi siapa yang layak menerima Kredit. Adapun analisa sistem yang akan digunakan dalam membangun sistem pendukung keputusan penentuan penerima kredit dengan Metode Naïve Bayes dan Metode Support Vector Machine berbasis Particle Swarm Optimization untuk mengetahui keakuratan dua metode tersebut lalu membandingkan dan mengevaluasinya.
3.6 Jadwal Penelitian
4.1 Hasil
BAB IV
HASIL DAN PEMBAHASAN
1.Hasil Eksperimen dan Pengujian Model atau Metode
A. Metode Support Vector Machine dengan Metode Support Vector Machine berbasis Particle Swarm Optimization
nilai akurasi dalam penelitian ini ditentukan dengan cara melakukan uji coba dengan Rapidminer dengan menggunakan berbagai macam jenis tipe kernel dan membandingkan nilai validation 2-10 dengan memasukan c=0.0 dan epsilon 0.0 Berikut ini adalah hasil dari percobaan yang telah dilakukan dengan menggunakan Rapidminer sebagai berikut :
Gambar 4.1 model validasi
Gambar 4.2 Model pengujian validasi Support Vector Machine
Gambar 4.3 Model pengujian validasi Support Vector Machine Pso
Untuk mengukur tingkat akurasi klasifikasi digunakan cross validation untuk proses validasinya. Kemudian untuk pengukurannya digunakan confussion matrix. Dalam penelitian ini digunakan 10 folds cross validation yaitu membagi dataset menjadi 10 bagian untuk nantinya 1 bagian dijadikan sebagai data testing dan 9 bagian lainnya dijadikan sebagai data training.
Untuk pengukuran confussion matrix digunakan untuk mengetahui klasifikasi yang sesuai dengan aslinya dan klasifikasi yang tidak sesuai dengan klasifikasi sebenarnya.
Tingkat akurasi didapatkan dari jumlah record dengan hasil klasifikasi yang sesuai dengan sebenarnya dibagi dengan jumlah keseluruhan record data. Tingkat akurasi ini nantinya dihitung untuk 10 kali percobaan sesuai dengan yang digunakan dalam proses validasi.
Sehingga nantinya didapatkan nilai akurasi yaitu rata-rata dari keseluruhan tingkat akurasi yang ada.
tabel 4.1 perbandingan akurasi SVM dengan SVM - PSO
k-fold SVM SVM + PSO Δ
10 52,11 % 77,46 % 25,35 %
9 49,30 % 74,65 % 25,35 %
8 50,70 % 80,28 % 29,58 %
7 50,70 % 77,46 % 26,76 %
6 46,48 % 77,46 % 30,98 %
5 52,11 % 80,28 % 28,17 %
4 50,70 % 85,92 % 35,22 %
3 54,93 % 77,46 % 22,53 %
2 54,93 % 80,28 % 25,35 %
Gambar 4.4 grafik perbandingan akurasi SVM dan SVM PSO
Dari hasil pengujian diatas, baik evaluasi menggunakan counfusion matrix maupun ROC curve terbukti bahwa hasil pengujian algoritma SVM berbasis PSO memiliki nilai akurasi yang lebih tinggi dibandingkan dengan algoritma SVM Nilai akurasi untuk model algoritma SVM sebesar 50,70% dan nilai akurasi untuk model algoritma SVM berbasis PSO sebesar 85,92 % dengan selisih akurasi 35,22%, dapat.
B. Naive Bayes
1.Eksperimen dan Pengujian metode
Eksperimen penelitian dilakukan menggunakan Rapid Miner. Dalam Rapid Miner terdapat beberapa operator pengolahan data sebelum dilakukan proses mining menggunakan Naïve Bayes yaitu Retrieve Data, Validation, Naïve Bayes Clasiffier, apply Model dan Performance. Kemudian dilakukan pengujian model. Naïve Bayes. Tampilan proses utama dapat dilihat seperti pada gambar berikut :
Gambar 4.5 sebelum pengolahan data awal Retrieve Data, Validation
Gambar 4.6 Naïve Bayes Clasiffier, apply Model dan Performance.
Gambar 4.7 hasil akurasi sebelum pengolahan data awal
Gambar 4.8 setelah pengolahan data awal menggunakan Optimize weight
Gambar 4.9 setelah pengolahan data awal dengan validation
Gambar 4.10 setelah pengolahan data awal dengan model atau metode Naive Bayes
Gambar 4.11 setelah pengolahan data awal hasil akurasi
Gambar 4.12 pembobotan atribut
Pembobotan atribut dari 7 atribut yaitu 3 atribut mempunyai bobot 0 , 4 atribut memunyai bobot 1. hasil penelitian algoritma naïve bayes ini dapat diterapkan dalam menilai kelayakan kredit, dengan menggunakan data awal, didapatkan akurasi sebesar 86,71%, sedangkan menggunakan data yang sudah melalui tahap pengolahan, diperoleh akurasi sebesar 91,16 % .
Gambar 4.12 akurasi 85,92 %. Setelah dibandingkan dengan algoritma atau metode naive bayes sebelum menggunakan pengolahan data awal nilai akurasi sebesar 86,71 %. Setelah menggunakan pengolahan data awal nilai akurasi meninggkat sebesar 91,16 %
4.2 Pembahasan
Pengujian model untuk analisis kelayakan pemberian kredit menggunakan metode SVM dan SVM-PSO dengan Naive Bayes dilakukan menggunakan Rapidminer. validasi model menggunakan Cross Validation dengan nilai parameter 10. Pada penelitian diatas nilai akurasi yang berbeda disetiap K-fold antara algoritma support vector machine dengan algoritma support vector machine particle swarm optimization pada K-fold 2 sampe k 10 itu dikarenakan Tinggi rendahnya nilai akurasi untuk pengujian klasifikasi tersebut dipengaruhi dari perbedaan porsi data latih dan data uji tersebut. Semakin besar nilai nilai fold atau semakin banyak jumlah data latih, nilai akurasi yang dihasilkan cenderung menurun.
Pengujian dilakukan dengan pembagian data training dan data testing dengan komposisi berdasarkan pembagian data pada k-fold cross validation dengan nilai k=2 sampai dengan k=10. Pengujian ini bertujuan untuk mengetahui nilai k-fold paling optimal dalam proses klasifikasi pada kasus penelitian ini.
Data yang telah melewati proses pengolahan data awal kemudian dilakukan dua perlakukan yang berbeda untuk mengetahui perbandingan kinerja model performansi dari
HASIL AKURASI SVM DAN SVM PSO DENGAN
SVM dan PSO-SVM. Model yang dibangun dengan SVM kemudian akan langsung dilakukan 10-fold cross validation sedangkan model yang dibangun dengan PSO-SVM akan dilakukan pembobotan dan penyeleksian atribut dengan menggunakan teknik particle swarm optimization (PSO) kemudian Atribut data yang telah dilakukan seleksi kemudian baru dibagi menjadi dua bagian yaitu data training dan data testing menggunakan 10-fold cross validation untuk menguji performansi model SVM hingga menghasilkan model pelatihan yang paling optimal. Untuk melakukan pengujian model terbaik ini dilakukan dengan membandingkan kinerja atau performansi model dari SVM dan PSO-SVM. Kriteria pengujiannya meliputi uji akurasi, uji presisi, uji recall dan uji nilai AUC (area under curve). nilai akurasi untuk model algoritma SVM sebesar 50,70% dan nilai akurasi untuk model algoritma SVM berbasis PSO sebesar 85,92 % dengan selisih akurasi 35,22%. Pada percobaan nilai k-fold ke 4 algoritma SVM terdapat nilai akurasi 50,70% dan SVM PSO sebesar 85,92 % karena persebaran data nya tidak merata sehingga ketika dibagi 4 k fold mencapai nilai maksimum.
Penggunaan data yang diolah dengan pre-processing lebih baik akurasinya dibandingkan data yang belum diolah, sekalipun algoritma naïve bayes mampu menangani data yang hilang atau tidak lengkap. Pengolahan Awal Data (Data Preprocessing) Proses ekstraksi plat melibatkan proses berikut. Untuk itu maka diperlukan teknik dalam preprocessing yaitu :
a. Data cleaning bekerja untuk membersihkan nilai yang kosong ,tidak konsisten atau mungkin tupel yang kosong (missing values dan noisy).
b. Data integration berfungsi menyatukan tempat penyimpanan (arsip) yang berbeda ke dalam satu data. Dalam hal ini, ada dua arsip yang diambil sebagai data warehouse yaitu data anggota dan data kredit.
c. Data reduction. Jumlah atribut dan tupel yang digunakan untuk data training mungkin terlalu besar, hanya beberapa atribut yang diperlukan sehingga atribut yang tidak diperlukan akan dihapus
Jadi analisa dan perancangan algoritma naïve bayes untuk menilai kelayakan kredit ini dengan menggunakan data awal, didapatkan akurasi sebesar 86,71%, sedangkan menggunakan data yang sudah melalui tahap pengolahan, diperoleh akurasi sebesar 91,16% . Hasil eksperimen menunjukkan bahwa nilai akurasi Naïve Bayes meningkat setelah dilakukan optimasi weight. Dapat disimpulkan bahwa Sistem Klasifikasi dengan Metode Naïve Bayes yang dibangun dapat digunakan untuk menyeleksi calon nasabah dengan baik, sehingga dapat membantu dalam memberikan kredit yang sesuai dengan kriteria yang ada.
metode naive bayes mempunyai nilai akurasi yang lebih tinggi dan dapat dijadikan sebagai metode pemberian kalayakan kredit.
Komparasi Menurut Witten (2005) membandingkan dua metode yang berbeda pada masalah yang sama untuk melihat mana yang lebih baik untuk digunakan. memperkirakan kesalahan menggunakan kros validasi (atau prosedur estimasi lain yang cocok), mungkin diulang beberapa kali, dan memilih skema yang estimasi lebih kecil. Hal ini cukup banyak aplikasi praktis, jika salah satu metode memiliki suatu perkiraan kesalahan yang lebih rendah daripada yang lain pada dataset tertentu, yang terbaik yang dapat di lakukan adalah dengan menggunakan model metode ini. Namun, hal itu mungkin, bahwa perbedaan tersebut hanya disebabkan oleh kesalahan estimasi, dan dalam beberapa keadaan adalah penting untuk menentukan apakah satu skema ini benar-benar lebih baik dari pada yang lain pada masalah tertentu. Model perbandingan. Analisis data mining yang perlu digunakan di sini adalah model deskriptif dapat dengan mudah berubah menjadi satu prediktif.
Pada penelitian sebelumnya Komparasi Algoritma Klasifikasi Data Mining dalam Penentuan Resiko Kredit pada Koperasi Serba Usaha dengan Metode Naive Bayes oleh Nandang Iriadi, (2013) Model yang dihasilkan metode naïve bayes, diuji dengan menggunakan metode Cross Validation, nilai accuracy 90,33 %, precision 90,91%, dan recall 99,26%. sedangkan penilitian yang telah dilakukan penulis dengan menggunakan metode algoritma naive bayes menggunakan metode Cross Validation, nilai accuracy sebesar 91,16 %, precision 91,76%, dan recall 98,59% ada peningkatan akurasi sebesar 0,83 %. itu disebabkan karena hasil pembobotan atribut yaitu 3 atribut mempunyai bobot 0 , 4 atribut memunyai bobot 1 dan 1 atribut mempunyai 1 populasi berbobot 0,00067. Sehingga atribut yang berbobot 0 dapat dihilangkan karena tidak mempunyai pengaruh pada akurasi kelayakan kredit.
1. Kesimpulan
Bab V
Kesimpulan dan Saran
Berdasarkan hasil eksperiment yang dilakukan untuk memecahkan masalah prediksi kelayakan pemberian kredit bisa diterapkan dengan metode Support Vector Machine dan metode Support Vector Machine PSO maupun Naive Bayes. tingkat akurasi klasifikasi menggunakan cross validation untuk proses validasinya, kemudian untuk pengukurannya digunakan confussion matrix. Dalam penelitian ini digunakan 10 folds cross validation yaitu membagi dataset menjadi 10 bagian untuk nantinya 1 bagian dijadikan sebagai data testing dan 9 bagian lainnya dijadikan sebagai data training. bahwa hasil eksperiment menggunakan metode Support Vector Machine mempunyai tingkat akurasi sebesar 50,70 %. Sedangkan eksperiment kedua yang dilakukan dengan menggunakan metode Support Vector Machine berbasis Particle Swarm Optimization mempunyai nilai akurasi sebesar 85,92 % dan Setelah dibandingkan dengan algoritma atau metode naive bayes sebelum menggunakan pengolahan data awal nilai akurasi sebesar 86,71 %. Setelah menggunakan pengolahan data awal nilai akurasi meninggkat sebesar 91,16 %. Penilaian kelayakan kredit menggunakan algoritma naïve bayes pada data debitur akan lebih tinggi akurasinya jika di lakukan pengolahan data dan konversi data yang mempengaruhi kelayakan kredit untuk mendapatkan nilai akurasi yang lebih baik.
2. Saran
Untuk memperoleh hasil yang lebih maksimal dan lebih baik lagi, diperlukan saran dari berbagai pihak karena terbatasnya waktu, bagi peneliti berikutnya agar menggunakan algoritma yang lain dan membandingkan antar algoritma misalkan algoritma C4.5 dan Neural Network sehingga algoritma manakah yang paling efisien jika digunakan dalam studi kasus kelayakan pemberian kredit. Karena Supprot vector machine mempunyai kelemahan yaitu Sulit dipakai dalam problem berskala besar. Skala besar dalam hal ini dimaksudkan dengan jumlah sample yang diolah. Sedangkan kelemahan metode naive bayes yaitu tidak berlaku jika probabilitas kondisional adalah nol ,apabila nol maka probabilitas prediksi akan bernilai nol juga.
Daftar Pustaka
Rima Ayu Anggraini, Sri Mangesti Rahayu, Achmad Husaini , 2015. Analisa Aspek Kelayakan Pemberian Kredit Usaha Mikro Dalam Upaya Mengatasi Terjadinya Kredit Bermasalah, Fakultas Ilmu Administrasi Universitas Brawijaya, Malang.
Ibrahim, S.Kom, M.Kom , 2016. “ Penilaian Agunan Property Pengajuan Kredit Menggunakan Optimasi Algoritma Support Vector Machine Berbasis Particle Swarm Optimization. Jurnal Ilmiah Fakultas Teknik “Technologia”
Astuti ,puji , 2016. “ Komparasi Penerapan Algoritma C45, KNN Dan Neural Network Dalam Proses Kelayakan Penrimaan Kredit Kendaraan Bermotor ” Universitas Indraprasta PGRI.
Menarianti, ika , 2015 . “ Klasifikasi Data Mining Dalam Menentukan Pemebrian Kredit Bagi Nasabah Koperasi” Fakultas Matematika Ilmu Pengetahuan Alam dan Teknologi Informasi, jurnal ilmiah teknosains vol. 1. No.1 ,november Jurusan Pendidikan Teknologi Informasi.
Masripah, siti , 2016. Komparasi Algoritma Klasifikasi Data Mining untuk Evaluasi Pemberian Kredit. Bina Insani Ict Journal ISSN: 2355-3421.
Husni Rifqo, Muhammad, Taufik,Arzi , 2016. Impelementasi Algoritma C4.5 Untuk
Menentukan Calon Debitur Dengan Mngukur Tingkat Risiko Kredit Pada Bank BRI Cabang Curup. Jurnal Pseudocode, Volume III Nomor 2.
Ginanjar Mabrur, Angga , 2012 “ Penerapan Data Mining Untuk Memperdiksi Kriteria Nasabah Kredit” Jurnal Komputer dan Informatika (KOMPUTA)
Murdianingsih, Yuli. 2015. Klasifikasi Nasabah Baik Dan Bermasalah Menggunakan Metode Naive Bayes. UPN ”Veteran” Yogyakarta.
Jatmika, S.Si, M.Kom. 2015. Sistem Pendukung Pengambilan Keputusan Menggunakan Metode Naive Bayes (Studi Kasus Kredit Sepeda Motor). Teknik Informatika, Fakultas Sains dan Komputer, Universitas Kristen: jogyakarta.
Nurhayati, siti. 2015 Prediksi Mahasiswa Drop Out Menggunakan Metode Support Vector Machine. Jurnal Ilmiah SISFOTENIKA STMIK AMIKOM :Yogyakarta.
Syarli,2016 Metode Naive Bayes Untuk Prediksi Kelulusan (Studi Kasus: Data Mahasiswa Baru Perguruan Tinggi). Jurnal Ilmiah Ilmu Komputer, Vol. 2, No. 1, Fakultas Ilmu Komputer Universitas AL Asyariah Mandar
Sulaehani, ruhmi.2016 Prediksi Keputusan Klien Telemarkting Untuk Deposito Pada Bank Menggunakan Algoritma Naive Bayes Berbasis Backward Elimination. Jurnal Ilmiah ILKOM Volume 8 Nomor 3 :Universitas Ichsan Gorontalo.
Mahena, yuliga.2015. Prediksi Harga Emas Dunia Sebagai Pendukung Keputusan Investasi Saham Emas Menggunakan Teknik Data Mining. Institut Teknologi dan Bisnis Kalbis:
Jakarta.
Andini, Taghsya Izmi. 2016. Prediksi Potensi Pemasaran Produk Baru dengan Metode Naïve Bayes Classifier dan Regresi Linear. Seminar Nasional Aplikasi Teknologi Informasi
(SNATI): yogyakarta.
Susanto, Wahyu Eko.2016. Komparasi Akurasi Algoritma C4.5 dan Naïve Bayes untuk Prediksi Pendonor Darah Potensial dengan Dataset RFMTC. Seminar Nasional Ilmu Komputer: semarang.
Nugroho, Agung. 2014. Sistem Pendukung Keputusan Kredit Usaha Rakyat PT. Bank Rakyat Indonesia Unit Kaliangkrik Magelang. Citec Journal, Vol. 2, No. 1, STMIK
AMIKOM:Yogyakarta
Iriadi, Nandang. 2013. Komparasi Algoritma Klasifikasi Data Mining Dalam Penentuan Resiko Kredit Pada Koperasi Serba Usaha Paradigma, Vol XV NO. 2 AMIK BSI: Jakarta
Tampubolon, Lely P.D.2016. Efektifitas Faktor Penentu Putusan Penilaian Kelayakan Kredit Berbasis Data Mining. Jurnal ISSN: 2089-3787 ABFI Institute Perbanas: jakarta
Fiati, Rina.2015. Model Klasifikasi Kelayakan Kredit Koperasi Karyawan Berbasis Decesion Tree. Prosiding SNATIF Ke-2 Tahun 2015 ISBN: xxx-xxx-xxxxx-x-x Universitas Muria Kudus: kudus
Fiati, Rina.2015. Model Klasifikasi Kelayakan Kredit Koperasi Karyawan Berbasis Decesion Tree. Prosiding SNATIF Ke-2 Tahun 2015 ISBN: xxx-xxx-xxxxx-x-x Universitas Muria Kudus: kudus