Implementasi Algoritme Random Forest Pada Klasifikasi Dataset Credit Approval

Abstract

Knowledge Discovery in Database (KDD) atau yang lebih dikenal dengan data mining merupakan suatu penyelesaian masalah dengan melakukan analisis terhadap data yang disajikan dalam database. Data mining dapat dikolaborasikan dengan ilmu lainnya. Salah satunya pada bidang ekonomi. Pemanfaatan data mining dalam bidang ekonomi seringkali digunakan untuk proses credit approval atau pemberian kredit kepada nasabah. Pada penelitian yang dilakukan sebelumnya mayoritas menggunakan single classifier, hal ini akan menimbulkan sebuah permasalahan baru ketika dalam dataset credit approval terdapat kondisi high dimensional dan ketidakseimbangan kelas. Keberadaan kondisi tersebut dapat menyebabkan kinerja single classifier menjadi tidak maksimal. Oleh karena itu pada penelitian ini akan menggunakan metode ensemble yaitu algoritme Random Forest. Berdasarkan pengujian yang dilakukan menunjukkan algoritme Random Forest mampu menghasilkan akurasi sebesar 87.3 %, TPR sebesar 86 % dan TNR sebesar 89 %. Dengan demikian algoritme yang diusulkan yaitu Random Forest mampu menghasilkan nilai akurasi, TPR, dan TNR yang lebih baik dibandingkan single classifier lainnya. Dengan adanya peningkatan nilai tersebut diharapkan penelitian ini mampu menjadi referensi untuk pengembagan berbagai sistem yang mendukung dan memaksimalkan tingkat keberhasilan proses pemberian kredit kepada nasabah menggunakan data mining.