Article Per Year (5 Year)
p-Index From 2019 - 2024
0
P-Index
This Author published in this journals
All Journal Prosiding SNATIF International Journal of Islamic Business and Economics (IJIBEC)
Chasanah, Tria Titiani
Prosiding SNATIF
Economics, Econometrics & Finance Education

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
PENINGKATAN PERFORMA ALGORITMA K-NEAREST NEIGHBOUR DENGAN SELEKSI FITUR INFORMATION GAIN UNTUK KLASIFIKASI PERSETUJUAN KREDIT Ivandari, Ivandari; Chasanah, Tria Titiani; Al Karomi, M Adib
Prosiding SNATIF 2017: Prosiding Seminar Nasional Teknologi dan informatika (BUKU 3)
Publisher : Prosiding SNATIF

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

AbstrakKredit merupakan salah satu perilaku ekonomi modern. Dalam prakteknya kredit dapat berupa peminjaman sejumlah uang atau pembelian barang dengan proses pembayaran secara bertahap dan dalam jangka waktu yang telah disepakati. Kondisi perekonomian yang kurang mendukung serta kebutuhan masyarakat yang tinggi membuat masyarakat memilih membeli barang dengan proses kredit ini. Sayangnya kebutuhan yang tinggi ada yang tidak diimbangi dengan kemampuan melakukan pembayaran sesuai dengan perjanjian awal. Kondisi ini yang memungkinkan proses pembayaran menjadi tidak lancar atau disebut juga dengan istilah kredit macet. Penelitian ini menggunakan data publik yaitu dataset kartu kredit dari UCI repository serta data private yaitu dataset persetujuan kredit dari perbankan lokal. Algoritma information gain digunakan untuk menghitung bobot dari masing masing atribut yang ada. Dari hasil perhitungan diketahui bahwa semua atribut memiliki bobot yang berbeda. Penelitian ini menghasilkan kesimpulan bahwa tidak semua atribut data mempengaruhi hasil klasifikasi. Misalkan atribut A1 pada dataset UCI serta atribut type pinjaman pada dataset lokal yang memiliki bobot information gain 0 (nol). Hasil klasifikasi menggunakan algoritma K-Nearest Neighbour menunjukkan bahwa terjadi peningkatan sebesar 7,53% untuk dataset UCI dan 3,26% untuk dataset lokal setelah dilakukan seleksi fitur pada kedua dataset. Kata kunci: Akurasi KNN, seleksi fitur, Persetujuan Kredit.
Data Attribute Selection with Information Gain to Improve Credit Approval Classification Performance using K-Nearest Neighbor Algorithm Ivandari, Ivandari; Chasanah, Tria Titiani; Binabar, Sattriedi Wahyu; Al Karomi, M. Adib
International Journal of Islamic Business and Economics (IJIBEC) IJIBEC VOLUME 1 NO. 1 JUNE 2017
Publisher : Faculty of Islamic Economics and Business of Institut Agama Islam Negeri (IAIN) Pekalongan

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (337.355 KB) | DOI: 10.28918/ijibec.v1i1.882

Abstract

Credit is one of the modern economic behaviors. In practice, credit can be either borrowing a certain amount of money or purchasing goods with a gradual payment process and within an agreed timeframe. Economic conditions that are less supportive and high community needs make people choose to buy goods with this credit process. Unfortunately the high needs sometimes are not in line with the ability to make payments in accordance with the initial agreement. Such condition causes the payment process to be disrupted or also called the term “bad credit”. This research uses public data of credit card dataset from UCI repository and private data that is dataset of credit approval from local banking. The information gain algorithm is used to calculate the weights of each of the attributes. From the calculation results note that all attributes have different weights. This study resulted in the conclusion that not all data attributes influence the classification result. Suppose attribute A1 to UCI dataset as well as loan type attribute on local dataset that has information gain weight 0 (zero). The result of classification using K-Nearest Neighbors algorithm shows that there is an increase of 7.53% for UCI dataset and 3.26% for local dataset after feature selection on both datasets.
Co-Authors Al Karomi, M Adib Al Karomi, M. Adib Ivandari, Ivandari Sattriedi Wahyu Binabar