<![CDATA[Kredit merupakan suatu sistem pinjam meminjam atas persetujuan yang telah disepakati diawal dengan phak bank atau institusi lembaga keuangan sejenis dengan nasabahnya. Dengan demikian analisa kelayakan pemberian kredit ini diharapkan dapat menganalisa solusi kesesuaian tingkat akurasi dalam sejumlah data yang sangat besar (big data) dengan melibatkan sebuah dataset yang nantinya akan dilakukan penambangan data dengan menggunakan tools rapid miner. Metode algoritma yang akan digunakan yakni metode data mining berupa Algoritma Naive Bayes Classifier. Klasifikasi data mining dapat membantu para analis kredit dalam hal menentukan signifikansi dan kelayakan pemberian kredit pada nasabah. Sehingga dari proses klasifikasi ini didapatkan berupa atribut penentu berupa kategori kelayakan dalam hal penentuan pemberian kredit kepada salah satu nasabah yang bersangkutan. Pengujian yang dilakukan yakni dengan menggunakan model confusion matrix yang melibatkan data training yang berbeda dalam hal jumlah atribut, dimana ekperimen pertama pengujian dilakukan terhadap 16 atribut data training kemudian ekperimen kedua pengujian dilakukan dengan melibatkan 9 atribut data training. Maka dari kedua eksperimen yang dilakukan akan diperoleh komparasi nilai akurasi, pengujian 16 atribut menghasilkan signifikansi akurasi 59,00% dan pengujian 9 atribut menghasilkan nilai akurasi sebesar 56,00 % sehingga dari kedua pengujian yang dilakukan dapat dipilih alternatif akurasi yang paling baik yakni pengujian dengan 16 atribut. Sehingga hasil dan output yang dihasilkan akan menghasilkan ketepatan pengujian atas suatu rekomendasi keputusan dalam membantu para profesional atau analis kredit di institusi keuangan dalam hal menentukan kelayakan pemberian kredit pada nasabahnya dengan bantuan algoritma yang digunakan untuk menyelesaikan suatu persoalan sehingga didapatkan pengidentifikasi terkait manakah yang layak atau tidak dikatakan sebagai penentuan pemberian kredit dengan mengacu pada penentuan kelas lancar atau bermasalah.Credit is a lending and borrowing system based on agreed agreements at the beginning with the phak bank or similar financial institution with its customers. Thus the feasibility analysis of credit granting is expected to be able to analyze the solution of the suitability of the accuracy level in a number of very large data (big data) by involving a dataset that will be mining data using rapid miner tools. The algorithm method that will be used is the data mining method in the form of the Naive Bayes Classifier Algorithm. Data mining classification can help credit analysts in determining the significance and feasibility of lending to customers. So that the classification process is obtained in the form of determining attributes in the form ofeligibility categories in terms of determining the provision of credit to one of the customers concerned. Tests carried out namely by using a confusion matrix model that involves training data that is different in terms of the number of attributes, where the first experiment testing is performed on 16 attributes of training data then the second experiment testing is done by involving 9 attributes of training data. So from the two experiments conducted will be obtained a comparison of the accuracy value, 16 attributes test produces a significance of 59.00% accuracy and 9 attributes test produces an accuracy value of 56.00% so that of the two tests conducted can be chosen the best alternative accuracy that is testing with 16 attributes. So the results and outputs produced will result in the accuracy of testing of a decision recommendation in helping credit professionals or analysts in financial institutions in terms of determining the eligibility of crediting to their customers with the help of an algorithm used to solve a problem so that an identifier related to which is feasible or not said as determining the granting of credit with reference to determining the current class or problematic.]]>
