Klasifikasi Data NAP (Nota Analisis Pembiayaan) untuk Prediksi Tingkat Keamanan Pemberian Kredit (Studi Kasus : Bank Syariah Mandiri Cabang Luwuk Sulawesi Tengah)

Abstract

AbstrakSetiap bulannya bank syariah mandiri cabang luwuk menerima proposal kredit (NAP) dari nasabah dalam jumlah yang terus meningkat dan perlu respon yang cepat. Dengan demikian, perlu dikembangkan sistem untuk melakukan data mining dari tumpukan data tersebut yang akan digunakan untuk kepentingan tertentu, salah satunya adalah untuk menganalisis resiko pemberian kredit.Teknik data mining digunakan dalam penelitian ini untuk klasifikasi tingkat keamanan pemberian kredit dengan menerapakan algoritma Naïve Bayes Classificatio. Naive bayes classifier merupakan pendekatan yang mengacu pada teorema Bayes yang menkombinasikan pengetahuan sebelumnya dengan pengetahuan baru, sehingga merupakan salah satu algoritma klasifikasi yang sederhana namun memiliki akurasi tinggi. Sebelum dilakukan klasifikasi, data debitur melalui preprocessing. Kemudian dari preprocessing ini dilakukan klasifikasi dengan naive bayes classifier, sehingga menghasilkan model probabilitas klasifikasi untuk prediksi kelas pada debitur selanjutnya. Teknik pengujian akurasi model diukur menggunakan boostrap, dan menunjukkan bahwa nilai akurasi terkecil 80% dihasilkan pada sampel data 100, dan menghasilkan nilai akurasi terbesar 98,66% pada sampel data 463. Kata kunci— akurasi, naive bayes, data mining, klasifikasi, preprocessing, NAP AbstractEvery month the Mandiri Syariah Bank Branch Office of Luwuk receives a very large number of proposal credit. Thus, the system should be developed to perform data mining of the heap data to be used for specific purpose, one of which is for the risk analysis of credit allowance. Data mining techniques used in this study for classification level prediction of credit allowance by applying a naïve Bayes Classification algorithm . Naive bayes classifier is an approach that refers to the bayes theorem, is a combination of prior knowledge with new knowledge. So that is one of the classification algorithm is simple but has a high accuracy. Prior to classification, data of debitur has been through a preprocessing. Then the weight is to perform classification with naive bayes classifier. After the data is classified, so produce probabilitas of model classification for prediction class to next debitur.       Testing techniques the accuracy of the model was measured by bosstrap, and shows that the smallest value of accuracy is 80% produced in the 100 data sample, and the largest value of accuracy 98,66% on a data sample of 463. Keywords— accuracy, naive bayes, data mining, classification, preprocessing, NAP