148
JITE, 6 (1) July 2022 ISSN 2549-6247 (Print) ISSN 2549-6255 (Online)
JITE (Journal of Informatics and Telecommunication Engineering)
Available online http://ojs.uma.ac.id/index.php/jite DOI : 10.31289/jite.v6i1.7311
Received: 27 May 2022 Accepted: 28 June 2022 Published: 21 July 2022
Prediction System for Credit Eligibility Using C4.5 Algorithm
Desi Puspita1)*, Siti Aminah1) & Alfis Arif1)
1)Program Studi Teknik Informatika, Institut Teknologi Pagar Alam, Sumatera Selatan, Indonesia
*Coresponding Email: [email protected] Abstrak
Koperasi Serba Usaha Mandiri Tasti Kota Pagar Alam pemberian kredit saat ini proses pendataan untuk seleksi calon anggota dan calon penerima kredit masih dilakukan dengan cara manual, sehingga harus datang ketempat koperasi untuk mengetahui apakah masih layak untuk menerima kredit atau tidak, petugas harus mengevaluasi dataTujuan dari penelitian adalah membentuk model klasifikasi pohon keputusan untuk kelayakan pemberian kredit di koperasi. Metode analisis dengan Algoritma C4.5, Algoritma C4.5 merupakan salah satu algoritma untuk melakukan data mining menggunakan teknik klasifikasi data. Algoritma C4.5 digunakan untuk mencari pengetahuan di dalam data, yaitu dengan cara menemukan hubungan variabel input atau atribut kriteria dengan variabel target atau decision attribute. Pengetahuan yang dihasilkan diubah ke dalam bentuk pohon keputusan (decision tree) sehingga mudah dimengerti. Algoritma C4.5 dipilih karena dapat membuat sebuah keputusan untuk dapat memprediksi apakah nasabah layak atau tidak diberikan kredit. Atribut yang digunakan adalah penghasilan dengan kriteria-kriteria yang ditentukan. Hasil yang di dapat dari penelitian ini adalah informasi prediksi kelayakan pemberian kredit pada koperasi menggunakan algoritma C4.5 dengan mendaptkan nilai accuracy yaitu 93 % dengan nilai AUC sebesar 0.898 dimana klasifikasi ini tergolong Good Classification atau baik.
Kata Kunci : Algoritma C4.5, Prediksi, decision tree.
Abstract
Independent Multipurpose Cooperative, Tasti, Pagar Alam City, currently granting credit, the data collection process for the selection of prospective members and prospective credit recipients is still done manually, so they must come to the cooperative to find out whether it is still eligible to receive credit or not, officers must evaluate the data. is to form a decision tree classification model for creditworthiness in cooperatives. The analytical method with the C4.5 Algorithm, the C4.5 Algorithm is one of the algorithms for performing data mining using data classification techniques. The C4.5 algorithm is used to search for knowledge in the data, by finding the relationship between input variables or criteria attributes with target variables or decision attributes. The resulting knowledge is converted into the form of a decision tree so that it is easy to understand. The C4.5 algorithm was chosen because it can make a decision to be able to predict whether a customer is eligible or not to be given credit. The attribute used is income with specified criteria. The results obtained from this study are predictive information on the feasibility of providing credit to cooperatives using the C4.5 algorithm by getting an accuracy value of 93% with an AUC value of 0.898 where this classification is classified as Good Classification or good.
Keywords: Algorithm C4.5, Prediction, decision tree.
How to Cite: Puspita, D., Aminah, S., & Arif, A. (2022). Prediction System for Credit Eligibility Using C4.5 Algorithm.
JITE (Journal of Informatics and Telecommunication Engineering), 6(1), 148-156.
I. PENDAHULUAN
Undang-Undang Dasar No. 25 tahun 1992 Republik Indonesia, koperasi adalah badan usaha yang terdiri dari orang perseorangan atau badan hukum koperasi yang kegiatannya didasarkan pada asas koperasi serta gerakan ekonomi rakyat berdasarkan asas kekeluargaan. Beberapa jenis koperasi menyediakan kegiatan simpan pinjam, dalam simpan pinjam dikenal dengan istilah kredit. Kredit dalam
149
keuangan dapat diartikan sebagai pemberian uang dari kreditur dengan rasa percaya kepada penerima bahwa akan mengembalikan pemberian uang dengan jangka waktu yang telah disepakati.
Koperasi Serba Usaha Mandiri Tasti Kota Pagar Alam dalam penentuan anggota koperasi yang ingin mengetahui apakah masih layak atau tidak menerima kredit, masih harus melakukan beberapa prosedur seperti mengisi formulir, mengisi surat pernyataan serta melengkapi semua berkas-berkas dan datang ke tempat koperasi karena harus dievaluasi kembali oleh petugas koperasi.Untuk menentukan kelayakan anggota diberikan kredit, petugas koperasi akan menganalisa data-data anggota yang mengajukan pinjaman. Hasil analisa juga sering kali tidak tepat dengan ditandai masih adanya kredit yang bermasalah.
Dengan menerapkan Algoritma C4.5 dalam penentuan predeksi kelayakan pemberian kredit kepada anggota dapat mengetahui layak atau tidak meneriam kredit pada koperasi Serba Usahan Mandiri Tasti.
Algoritma C4.5 bagian dari metode data mining.
Data mining merupakan serangkaian proses untuk menggali nilai tambah dari suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara manual(Siregar et al., 2021). data mining digunakan untuk mendapatkan informasi penting dan mengetahui pola di dalam sebuah dataset yang didapatkan dari data lama agar dapat digunakan sebagai acuan untuk memprediksi data yang baru. Untuk mengklasifikasikan data dan mengambil keputusan prediksi menggunakan algoritma C4.5. Algoritma C4.5 atau pohon keputusan mirip sebuah pohon dimana terdapat node internal (bukan daun) yang mendeskripsikan atribut-atribut, setiap cabang menggambarkan hasil dari atribut yang diuji, dan setiap daun menggambarkan kelas(Dian, Ardiansyah. Walim, 2018). Dengan menggunakan algoritma C4.5, dapat menentukan model pohon keputusan untuk meningkatkan akurasi dalam menganalisa kelayakan kredit yang diajukan calon peminjam, Dalam metode ini diharapkan akan mampu untuk menentukan pemberian kredit yang layak atau tidak layak kepada peminjam (Santoso & Sekardiana, 2019).
Berdasarkan penelitian terdahulu yang dilakukan oleh (Manik et al., 2018) dengan judul Prediksi Kolektibilitas Kredit Anggota dengan Algoritna C5.0, dimana peneliti akan melakukan prediksi pinjaman dengan Algoritma C4.5. Penelitian terdahulu oleh (Sungkar & Qurohman, 2021) dengan judul Penerapan Algoritma C5.0 untuk Prediksi Kelulusan Pembelajaran Pada Matajuliah Arsitektur Sistem Komputer.
Penelitian terdahulu yang dilakukan oleh(Putra & Chan, 2018) dengan judul “Pengembangan Aplikasi Perhitungan Prediksi Stock Motor Menggunakan Algoritma C 4.5 Sebagai Bagian dari Sistem Pengambilan Keputusan” menyatakan bahwa proses perhitungan yang telah dilakukan melalui beberapa langkah pada proses penerapan Data Mining menggunakan algoritma C4.5 sebelumnya, maka diperoleh pohon keputusan. Melalui pohon keputusan tersebut diperoleh 12 aturan- aturan (rule) dalam menentukan prediksi persediaan stock motor pada dealer Saudara Motor. Sedangkan berdasarkan penelitian terdahulu yang dilakukan oleh (Sekardiana & Santoso, 2017) dengan judul “Implementasi Data Mining Untuk Penentuan Kelayakan Pemberian Kredit Nasabah Menggunakan Algoritma C4.5” mendapatkan permasalahan bahwa, pengurus Koperasi Warga Komplek Gandaria (Koperia) dalam pemberian pinjaman kepada nasabah masih berdasarkan proses yang tidak objektif dan masih terdapat kendala. Oleh karena itu sulitnya menentukan kelayakan pemberian kredit masih menjadi masalah yang sering dialami oleh pengurus koperasi. Dan berdasarkan penelitian yang dilakukan oleh (Santoso & Sekardiana, 2019) dengan judul “ Penerapan Algoritma C4.5 Untuk Penentuan Kelayakan Kredit” didapatkan hasil bahwa, dengan menggunakan model pohon keputusan, algoritma C4.5 dapat digunakan untuk memprediksi apakah peminjam akan kesulitan membayar kredit. Model C4.5 dipilih karena proses pembelajaran dan klasifikasi pohon keputusan yang sederhana dan cepat. Penelitian yang dilakukan oleh (Purwanto et al., 2020) dengan judul Penerapan Algoritma C4.5 dalam Prediksi Potensi Tingkat kasus Pneumobia di Kabupaten Karawang dengan hasil penelitian dengan kategori Good Classification dan mempunyai ROC area yaitu 0,80-0,90 dengan kategori Excelennet Cassification. Penelitian terdahulu oleh (Permana et al., 2020) dengan judul Perbanfingan Hasil Prediksi Kredit Macet pada Koperasi Menggunakan Algoritma KNN dan C5.0 dengan hasil akurasi Algoritam C5.0 86.67 %. Dari penelitian terdahulu peneliti akan melakukan analisa pinjaman kredit pada koperasi dengan menggunakan Algoritma C4.5.
II. STUDI PUSTAKA A. Data Mining
Data Mining Menurut Gatner Group adalah suatu proses menemukan hubungan yang berarti, pola dan kecenderungan dengan memeriksa dalam sekumpulan besar data yang tersimpan dalam penyimpanan, dengan menggunakan teknik pengenalan pola seperti teknik statistik dan matematika
150
(Putra & Chan, 2018). Data Mining merupakan proses menemukan hubungan, pola, dan tren yang bermakna dengan memeriksa sekumpulan besar data yang disimpan dalam penyimpanan menggunakan teknik pengenalan pola seperti teknik statistik dan matematika(Darmawan, 2018).
.
B. Decision Tree
Pohon keputusan merupakan metode klasifikasi dan prediksi yang sangat terkenal. Metode pohon keputusan mengubah fakta yang sangat besar menjadi pohon keputusan yang merepresentasikan aturan.
Aturan dapat dengan mudah dipahami dengan bahasa alami, juga dapat diekspresikan dalam bentuk bahasa basis data seperti Structured Query Language untuk mencari record pada kategori tertentu (Hermanto et al., 2017). Data Mining memiliki fungsi mencari pengetahuan yang bermanfaat dari sekumpulan data yang banyak (Ubaedi & Djaksana, 2022).
C. Algoritma C4.5
Algoritma C4.5 ialah algoritma yang kegunaannya untuk membentuk pohon keputusan (Decision Tree) (Ginting et al., 2020). Secara umum algoritma C4.5 untuk membangun pohon keputusan yakni memilih atribut sebagai akar, membuat cabang untuk tiap-tiap nilai, membagi kasus dalam cabang, kemudian ulangi proses untuk setiap cabang sampai semua kasus pada cabang memiliki kelas yang sam (Handayani, 2019). Pemilihan Algoritma C4.5, pada beberapa penelitian yang paling banyak digunakan untuk menganalisa atau menguji data terkait kepuasan penilaian layanan adalah menggunakan algoritma C4.5.(Martin, 2020). Algoritma C4.5 memiliki tingkat akurasi dan pemodelan waktu yang lebih baik daripada algoritma lainnya dan memiliki tingkat kesalahan yang lebih rendah (Suweleh et al., 2020).
Secara khusus, algoritma C4.5 Decision Tree menggunakan kriteria split yang telah dimodifikasi yang dinamakan Gain Ratio dalam proses pemilihan split atribut. Split atribut merupakan proses utama dalam pembentukan pohon keputusan (Decision Tree) di C4.5 (Novianti et al., 2016).
Untuk penyelesaian kasus pada algoritma C4.5 ada beberapa elemen yang harus dicari nilainya yaitu:
1. Entropy
Entropy(S) adalah parameter untuk mengukur keragaman setiap nilai atribut kriteria terhadap atribut keputusan (decision attribute) dalam sebuah kumpulan data(Rizky Haqmanullah Pambudi et al., 2018). Semakin rendah nilai entropy, semakin rendah nilai keragaman suatu kumpulan data, sebaliknya nilai entropi yang semakin tinggi maka semakin tinggi nilai keragaman suatu kumpulan data tersebut.
Berikut rumus untuk menghitung Entropy (Asroni et al., 2018):
Sumber: (Buulolo, 2020) Keterangan:
S : Jumlah sampel data (Sampling) n : Jumlah partisi S
pi : Proporsi dari terhadap S
Catatan:
Dalam proses pencarian nilai Entropy(S) jika semua nilai kriteria terhadap attribute keputusan sama, maka nilai Entropy =1, dan jika hanya satu nilai kriteria yang tidak sama dengan 0, maka nilai Entropy = 0.(Prasetyo et al., 2017)
151 2. Gain
Gain (S, A) merupakan selisih nilai total entropi dikurangi nilai entropi masing-masing nilai setiap atribut kriteria dikalikan nilai proporsi nilai atribut dibagi jumlah sampel data. Fungsi dari nilai gain yang diperoleh adalah untuk mengukur keefektifan setiap atribut kriteria dalam mengklasifikasikan data. Pada algoritma c4.5, nilai Gain digunakan sebagai dasar untuk membentuk node atau akar dan cabang dari pohon keputusan. Berikut rumus untuk menghitung Gain :
Sumber: (Buulolo, 2020) Keterangan:
S : Jumlah kasus (Sampling) A : attribute
n : Jumlah partisi S
: Jumlah kasus pada partisi ke-i : Jumlah kasus dalam S
3. SplitInfo
Menurut Widayu dkk (2017) SplitInfo merupakan rumus yang menyatakan informasi potensial atau entropy (Handayani, 2019)
Keterangan:
S : Himpunan kasus A : Atribut
Si : Jumlah sampel untuk atribut A
4. Gain Ratio
Menurut Mabrur (2012) Gain Ratio merupakan modifikasi dari information gain yang digunakan untuk mengurangi distorsi atribut dengan banyak cabang. Gain Ratio Memiliki sifat: jika data menyebar rata maka bernilai besar dan jika semua data masuk ke dalam satu cabang maka bernilai kecil (Handayani, 2019)
Keterangan:
S : Himpunan kasus
A : Atribut
Gain (S,A) : Information Gain pada atribut A SplitInfo(S,A) : Split information pada atribut A
152
D. RapidMiner
Ralf Klinkenberg, Ingo Mierswa, dan Simon Fischer merupakan pengembang RapidMiner di Artificial Intelligence Unit dari University of Dortmund. Aplikasi ini adalah aplikasi open source berlisensi AGPL (GNU Affero General Public License) yang dapat digunakan untuk mengolah data mining (Fimawahib
& Rouza, 2021).
III. METODE PENELITIAN
Adapun tahapan-tahapan dalam penelitian untuk memprediksi kelayakan pemberian kredit pada komperasi mandiri sebagai berikut :
Gambar 1. Alur Penelitian
A. Pengambilan Data
Pengambilan data dilapangan tentu berkaitan dengan teknik penggalian data, dan berkaitan pula dengan sumber dan jenis data (Rijali, 2018). Peneliti melakukan studi literatur yaitu untuk mencari materi-materi dan metode yang sesuia dengan penelitian yang akan dilakukan dan sebagai referensi, peneliti juga melakukan studi lapangan untuk observasi langsung di Koperasi Serba Usaha Mandiri Tasti Kota Pagar Alam untuk mendukung dalam pembuatan laporan penelitian.
B. Analisis Data
Tahap kedua peneliti melakukan pengelomppokkan data berdasarkan data yang diambil, diperoleh beberapa variabel diantaranya: nama, jenis kelamin, umur, pekerjaan, penghasilan, status pernikahan, jumlah tanggungan, status domisili, jumlah pinjaman, tenor, jumlah angsuran dan status kelayakan.
C. Implementasi
Tahap selanjutnya melakukan perhitungan nilai entropy dengan algoritma c4.5 dari data yang dikelompokkan untuk menghasilkan pola membangun pohon keputusan (Sekardiana & Santoso, 2017).
D. Pengujian
Tahap terakhir pola yang diperoleh dengan algoritma c4.5 dilakukan pengujian dengan Software Data Mining yaitu Rapidminer. Untuk mengukur Performance AUC dapat diukur dengan mengklasifikasikan hasil akurasi menjadi lima kelompok yaitu (Print et al., 2022):
1. 0, 90 – 1, 00 = Excellent Classification 2. 0, 80 – 0, 90 = Good Classification 3. 0, 70 – 0, 80 = Fair Classification 4. 0, 60 – 0, 70 = Poor Classification 5. 0, 50 – 0,60 = Failure Classification
153
IV. HASIL DAN PEMBAHASAN
Penelitian ini menggunakan bantuan data mining dengan software RapidMiner Studio Educational.
Metode data mining dengan menggunakan teknik algoritma decision tree atau C4.5. Hasil penelitian yang didapat dari RapidMiner Studio Educational menghasilkan nilai accuracy, precision, recall, AUC sebagai berikut :
a. Accuracy
accuracy : 93.75 %
true layak
true tidak layak
class precision
pred layak 8 1 88.89%
pred tidak
layak 0 7 100.00 %
class recall 100.00% 87,50%
Tabel 1. Accuracy b. Precision
precision : 87,50 % (positive class tidak layak)
true layak
true tidak layak
class precision
pred layak 8 1 88.89%
pred tidak
layak 0 7 100.00 %
class recall 100.00% 87,50%
Tabel 2. Precision c. Recall
recall : 100.00 % (positive class tidak layak)
true layak
true tidak layak
class precision
pred layak 8 1 88.89%
pred tidak
layak 0 7 100.00 %
class recall 100.00% 87,50%
Tabel 3. Recall d. AUC
Gambar 2. Grafik AUC
154
Nilai AUC yang dihasilkan oleh algotitma C4.5 sebsesar 0.898 dimana kategori ini tergolong Good Classification atau bisa dikatakan hasil klasifikasi dalam penelitian ini tergolong baik atau dikatakan layak.
PerformanceVector
Gambar 3. Hasil performance vector
Hasil evaluasi lain dimana terciptanya decision tree sebagai berikut ;
Gambar 4 : Decision Tree
Berdasarkan decision tree dari algoritma C4.5 tersebut di convert menjadi sebuah rule dalam bentuk rule IF-THEN sebagai berikut :
1. IF Jumlah Angsuran > 813750 AND Penghasilan > 2750000 AND Jumlah Angsuran > 896875 THEN Tidak Layak.
2. IF Jumlah Angsuran > 813750 AND Penghasilan > 2750000 AND Jumlah Angsuran ≤ 896875 THEN Layak.
3. IF Jumlah Angsuran > 813750 AND Penghasilan ≤ 2750000 THEN Tidak Layak 4. IF Jumlah Angsuran ≤ 813750 AND Jumlah Tanggungan > 4.500 THEN Tidak Layak
5. IF Jumlah Angsuran ≤ 813750 AND Jumlah Tanggungan ≤ 4.500 AND Jumlah Angsuran > 406875 dan Penghasilan > 1250000 TEHN Layak.
155
6. IF Jumlah Angsuran ≤ 813750 AND Jumlah Tanggungan ≤ 4.500 AND Jumlah Angsuran > 406875 AND Penghasilan ≤ 1250000 THEN Tidak Layak
7. IF Jumlah Angsuran ≤ 813750 AND Jumlah Tanggungan ≤ 4.500 AND Jumlah Angsuran ≤ 406875 THEN Layak.
Hasil Evaluasi
Hasil prediksi sebagai berikut : TP = 8 FP = 1
FN =0 TN = 7
Hasil Akurasi dan error sebagai berikut : Accuracy = 9,3/10 = 0,93 = 93 %
Error = 0,7/10 = 0,07 = 7 %
V. SIMPULAN
Berdasarkan penelitian dari hasil pembahasan yang dilakukan oleh peneliti menarik kesimpulan yaitu Analisa penelitian dalam predksi kredit pinjaman dapat disimpulkan jika penelitiam ini mendapatkan nilai accuracy yaitu 93 % dengan nilai AUC sebesar 0.898 dimana klasifikasi ini tergolong Good Classification atau baik. Sementara dari hasil rule yang tercipta dari decision tree, calon peminjam jika jumlah anggsuran diatas 813750 dan pengahsilan diatas 27500000 dengan jumlah angsuran diatas 896875 maka tidak layak mendapatkan peminjaman. Sebaliknya jika Jumlah angsuran diatas 813750 dan pengahsilan diatas 27500000 dengan jumlah angsuran dibawah 896875 maka layak mendapatkan pinjaman. Analisis kelayakan dalam penentuan pemberian kredit pinjaman sangat penting dilakukan, karena jika koperasi asal dalam memberikan pinjaman kepada calon nasabah nantinya akan berdampak buruk dan menyebabkan kerugian. Berdasarkan perbandingan penelitian terdahulu yang dilakukan oleh oleh (Permana et al., 2020) dengan Algoritma C5.0 dengan akurasi 86,67. Dimana dari hasil penelitian dengan menggunakan Algoritma C4.5 dengan akurasi 93 % sangat cocok untuk predksi peminjaman.
DAFTAR PUSTAKA
Asroni, A., Masajeng Respati, B., & Riyadi, S. (2018). Penerapan Algoritma C4.5 untuk Klasifikasi Jenis Pekerjaan Alumni di Universitas Muhammadiyah Yogyakarta. Semesta Teknika, 21(2), 158–165.
https://doi.org/10.18196/st.212222
Darmawan, E. (2018). C4.5 Algorithm Application for Prediction of Self Candidate New Students in Higher Education. Jurnal Online Informatika, 3(1), 22. https://doi.org/10.15575/join.v3i1.171
Dian, Ardiansyah. Walim, W. (2018). Algoritma C4.5 untuk Klasifikasi Calon Peserta Lomba Cerdas Cermat Siswa SMP dengan Menggunakan Aplikasi Rapid Miner. Inkofar, 01(02).
Fimawahib, L., & Rouza, E. (2021). Penerapan K-Means Clustering pada Penentuan Jenis Pembelajaran di Universitas Pasir Pengaraian. INOVTEK Polbeng - Seri Informatika, 6(2), 234.
https://doi.org/10.35314/isi.v6i2.2096
Ginting, V. S., Kusrini, K., & Taufiq, E. (2020). Implementasi Algoritma C4.5 untuk Memprediksi Keterlambatan Pembayaran Sumbangan Pembangunan Pendidikan Sekolah Menggunakan Python.
Inspiration: Jurnal Teknologi Informasi Dan Komunikasi, 10(1), 36–44.
https://doi.org/10.35585/inspir.v10i1.2535
Handayani, I. (2019). Penerapan Algoritma C4.5 Untuk Klasifikasi Penyakit Disk Hernia Dan Spondylolisthesis Dalam Kolumna Vertebralis. JASIEK (Jurnal Aplikasi Sains, Informasi, Elektronika Dan Komputer), 1(2), 83–88. https://doi.org/10.26905/jasiek.v1i2.3185
Hermanto, B., Azhari SN, A. S., & Putra, F. P. (2017). Analisis Kinerja Decision Tree C4.5 dalam Prediksi Potensi Pelunasan Kredit Calon Debitur. INOVTEK Polbeng - Seri Informatika, 2(2), 189.
https://doi.org/10.35314/isi.v2i2.206
Manik, R., Pristiwanto, & Tampubolon, K. (2018). Prediksi Kolektibilitas Kredit Anggota Dengan Algoritma C5 . 0 ( Studi Kasus : CU Damai Sejahtera Medan ). Jurnal Riset Komputer (JURIKOM), 5(2), 151–160.
156
Martin, L. N. (2020). Comparison of C4.5 and Naïve Bayes Algorithms for Assessment of Public Complaints Services. JITE (Journal of Informatics and Telecommunication Engineering) Available, 3(2), 266–271.
Novianti, B., Rismawan, T., & Bahri, S. (2016). Implementasi Data Mining Dengan Algoritma C4.5 Untuk Penjurusan Siswa (Studi Kasus: Sma Negeri 1 Pontianak). Jurnal Coding, Sistem Komputer Untan, 04(3), 75–84.
Permana, T., Siregar, A. M., Masruriyah, A. F. N., & Juwita, A. R. (2020). Perbandingan Hasil Prediksi Kredit Macet Pada Koperasi. Conference on Innovation and Application of Science and Technology, 3(1), 737–
746.
Prasetyo, G. A., Santosa, R. G., & Chrismanto, A. R. (2017). Memprediksi Kategori Indeks Prestasi Mahasiswa.
5. https://doi.org/10.21460/jutei.2019.32.185
Print, I., Pratiwi, J. I., Utami, D. R., & Enri, U. (2022). InfoTekJar : Jurnal Nasional Informatika dan Teknologi Jaringan Klasifikasi Data Mining Dalam Menentukan Pemberian Pinjaman Berbasis Arisan Online. 2, 4–9.
Purwanto, A., Primajaya, A., & Voutama, A. (2020). Penerapan Algoritma C4.5 Dalam Prediksi Potensi Tingkat Kasus Pneumonia Di Kabupaten Karawang. Jurnal Sistem Dan Teknologi Informasi (Justin), 8(4), 390. https://doi.org/10.26418/justin.v8i4.41959
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).
INOVTEK Polbeng - Seri Informatika, 3(1), 24. https://doi.org/10.35314/isi.v3i1.296 Rijali, A. (2018). Analisis Data Kualitatif Ahmad Rijali UIN Antasari Banjarmasin. 17(33), 81–95.
Rizky Haqmanullah Pambudi, Setiawan, B. D., & Indriati. (2018). Penerapan Algoritma C4 . 5 Untuk Memprediksi Nilai Kelulusan Siswa Sekolah Menengah Berdasarkan Faktor Eksternal. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 2(7), 2637–2643. http://j-ptiik.ub.ac.id5 Santoso, T. B., & Sekardiana, D. (2019). Penerapan Algoritma C4.5 untuk Penentuan Kelayakan Pemberian
Kredit. Jurnal Algoritma, Logika Dan Komputasi, II(1), 130–137.
Sekardiana, D., & Santoso, T. B. (2017). Implementasi Data Mining Untuk Penentuan Kelayakan Pemberian Kredit Nasabah Menggunakan Algoritma C4 . 5. Jurnal Universitas Satya Negara Indonesia, 10(1), 45–
51.
Siregar, Y. S., Sembiring, B. O., Hasdiana, H., Dewi, A. R., & Harahap, H. (2021). Algortihm C4.5 in mapping the admission patterns of new Students in Engingeering Computer. SinkrOn, 6(1), 80–90.
https://jurnal.polgan.ac.id/index.php/sinkron/article/view/11154
Sungkar, M. S., & Qurohman, M. T. (2021). Penerapan Algoritma C5.0 Untuk Prediksi Kelulusan Pembelajaran Mahasiswa Pada Matakuliah Arsitektur Sistem Komputer. Jurnal Media Informatika Budidarma, 5(3), 1166. https://doi.org/10.30865/mib.v5i3.3116
Suweleh, A. S., Susilowati, D., & Bumigora, U. (2020). Aplikasi Penentuan Penerima Beasiswa Menggunakan Algoritma C4 . 5. Jurnal …, 2(1), 12–21. https://doi.org/10.30812/bite.v2i1.798
Ubaedi, I., & Djaksana, Y. M. (2022). Optimasi Algoritma C4.5 Menggunakan Metode Forward Selection Dan Stratified Sampling Untuk Prediksi Kelayakan Kredit. JSiI (Jurnal Sistem Informasi), 9(1), 17–26.
https://doi.org/10.30656/jsii.v9i1.3505
