Triuli Novianti
Department of Electrical Engineering, Universitas Muhammadiyah Surabaya

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

Peningkatan Evaluasi Risiko Kredit Menggunakan Decision Tree C 4.5 Triuli Novianti; Sri Amaliah Mandati; Erie Kresna Andana
MINE-TECH: Journal of Manufacturing in Industrial Engineering & Technology Vol 2 No 2 (2023): Journal of Manufacturing in Industrial Engineering & Technology
Publisher : Universitas Muhammadiyah Surabaya Publishing

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30651/mine-tech.v2i2.21749

Abstract

Sektor keuangan sangat penting dalam memberikan kredit kepada individu dan perusahaan, namun keputusan kredit pada dasarnya berisiko. Metode manajemen risiko kredit yang efektif sangatlah penting. Metode Decision Tree C 4.5 menawarkan model pengambilan keputusan yang dapat ditafsirkan, yang penelitian ini terapkan pada data Kredit Jerman untuk meningkatkan sistem evaluasi risiko kredit. Klasifikasi mengelompokkan data ke dalam kelas berdasarkan atribut, menggunakan algoritma pembelajaran mesin untuk memprediksi label kelas. Penambangan data mengungkap pola dalam kumpulan data besar melalui langkah-langkah seperti pengumpulan data, pembersihan, pemilihan fitur, dan pemodelan. Decision Tree mewakili keputusan dan hasil, dengan Decision Tree C 4.5 menjadi algoritma penting untuk tugas klasifikasi. Peneliti tersebut menggunakan Penguatan Informasi untuk pemilihan atribut, membagi data pada node, dan dapat menangani data yang hilang dan pemangkasan. Kredit merupakan alat keuangan yang harus dikelola untuk memitigasi risiko. RapidMiner adalah platform sumber terbuka untuk analisis data, menampilkan antarmuka yang ramah pengguna, pustaka algoritma, dan alat validasi model. Penelitian eksperimental ini mengikuti tahapan pengumpulan data, praproses, usulan model, pengujian, dan evaluasi hasil. Data kredit Jerman dengan 1000 catatan dan 20 atribut digunakan. Algoritma Decision Tree C4.5 diterapkan menggunakan RapidMiner, dengan data dibagi menjadi set pelatihan dan pengujian untuk menentukan akurasi tertinggi. Algoritma Decision Tree C 4.5 yang diterapkan di RapidMiner menghasilkan Decision Tree dan kumpulan aturan. Akurasi terbaik dicapai dengan 75% data latih dan 25% data uji, sehingga menghasilkan akurasi 71,60%. Metode Decision Tree C 4.5 secara efektif mengklasifikasikan data kredit, memberikan wawasan berharga untuk evaluasi risiko kredit. Penelitian ini berkontribusi pada pengembangan model penerimaan kredit yang andal, bermanfaat bagi lembaga keuangan dan masyarakat.