Klasifikasi Kelayakan Peminjaman Nasabah Menggunakan Algoritma K-Nearest Neighbor (K-NN)
Classification of Customer Loan Eligibility Using The K-Nearest Neighbor (K-NN) Algorithm
DOI:
https://doi.org/10.57152/malcom.v4i4.1682Keywords:
K-Nearest Neighbor, Penambangan Data, PT. BPRS Amanah Insan Cita, Klasifikasi, RapidminerAbstract
Penelitian ini dilakukan untuk mengatasi tantangan dalam penilaian kelayakan nasabah di PT. BPRS Amanah Insan Cita, sebuah lembaga keuangan syariah. Untuk mengatasi masalah ini dalam proses filter nasabah, Algoritma K-Nearest Neighbor (K-NN) digunakan untuk klasfikasi dan prediksi yang merupakan salah satu teknik data mining yang efektif dalam klasifikasi data, yang bertujuan untuk mengembangkan model klasifikasi kelayakan peminjaman nasabah dengan menggunakan Data yang digunakan dalam penelitian ini mencakup 150 nasabah dengan delapan atribut utama, seperti jenis kelamin, profesi, pendapatan bulanan, total hutang, jumlah tanggungan, status pernikahan, dan nilai aset. Hasil penelitian menunjukkan tingkat akurasi dan kehandalan model klasifikasi K-NN dalam memprediksi resiko peminjaman nasabah pada PT. BPRS Amanah Insan Cita yang telah dilakukan menggunakan tools RapidMiner nilai akurasi dari sistem pada klasifikasi ketepatan penggunaan metode K-NN pada kelayakan peminjaman nasabah di lembaga keuangan berbasis syariah, khususnya PT. BPRS Amanah Insan Cita accuracy sebesar 0,9 (90%), precision untuk kelas layak sebesar 0,92 (92%) recall untuk kelas layak 0,92 (92%) dan f1 score untuk kelas layak 1,05 (105%) Sedangkan untuk kelas tidak layak nilai precision sebesar 0,80 (80%) nilai recall sebesar 0,80 (80%), dan nilai f1 score sebesar 0,80 (80%).
References
H. Annur and M. E. Lasulika, “KLASIFIKASI NASABAH KREDIT KOPERASI MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR,” vol. 5, no. 2, 2019.
S. Harlina, S. Suryani, and M. Oton Kadang, “Penerapan Algoritma K-Nearest Neighbor Untuk Klasifikasi kelayakan Calon Nasabah Kredit Berbasis Web,” SINTaKS, vol. 1, no. 1, Aug. 2022, doi: 10.35842/sintaks.v1i1.18.
S. L. Sulistiani, “Penghimpunan dan Pengelolaan Wakaf Uang Melalui Perbankan Syariah di Indonesia,” Jurnal Wawasan Yuridika, vol. 5, no. 2, p. 249, Sep. 2021, doi: 10.25072/jwy.v5i2.343.
I. M. Wijayanti, “PERAN NASABAH DALAM PERKEMBANGAN PERBANKAN SYARIAH,” Amwaluna, vol. 3, no. 1, pp. 66–75, Feb. 2019, doi: 10.29313/amwaluna.v3i1.4195.
A. Duwo, J. Saputro, A. Darmawan, and B. N. Sari, “KLASIFIKASI PERSENTASE KEMISKINAN DI JAWA BARAT MENGGUNAKAN DATA MINING ALGORITMA K-NEAREST NEIGHBOR ( K-NN ),” vol. 7, no. 4, pp. 2718–2723, 2023.
D. Desyanti and D. Wulandari, “Implementasi Algoritma K-Nearest Neighbour dalam Memprediksi Stok Sepeda Motor,” bits, vol. 4, no. 3, Dec. 2022, doi: 10.47065/bits.v4i3.2579.
M. Furqon, S. Sriani, and L. S. Harahap, “Klasifikasi Daun Bugenvil Menggunakan Gray Level Co-Occurrence Matrix Dan K-Nearest Neighbor,” CoreIT, vol. 6, no. 1, p. 22, May 2020, doi: 10.24014/coreit.v6i1.9296.
Miftahul Jannah, M. H. I. Haviz, Dewi Sartika, and Evi Purnamasari, “Prediksi Penjualan Produk Pada PT Bintang Sriwijaya Palembang Menggunakan K-Nearest Neighbour: Prediksi Calon Mahasiswa Penerima KIP Pada Universitas Indo Global Mandiri menggunakan Algoritma Decision Tree,” J. Softw. Eng. Comput. Intell., vol. 1, no. 2, pp. 80–89, Dec. 2023, doi: 10.36982/jseci.v1i2.3542.
V. P. Virza, G. Tri Pranot, and F. Eko Putra, “Klasifikasi Kebutuhan Sparepart Dengan Algoritma K-Nearest Neighbor Untuk Meningkatkan Penjualan Sparepart,” bit, vol. 4, no. 3, pp. 287–293, Sep. 2023, doi: 10.47065/bit.v4i3.729.
T. S. Sabrila, V. R. Sari, and A. E. Minarno, “Analisis Sentimen Pada Tweet Tentang Penanganan Covid-19 Menggunakan Word Embedding Pada Algoritma Support Vector Machine Dan K-Nearest Neighbor,” FIJ, vol. 6, no. 2, p. 69, Jul. 2021, doi: 10.21111/fij.v6i2.5536.
A. Alfani W.P.R., F. Rozi, and F. Sukmana, “PREDIKSI PENJUALAN PRODUK UNILEVER MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR,” jipi. jurnal. ilmiah. penelitian. dan. pembelajaran. informatika., vol. 6, no. 1, pp. 155–160, Jun. 2021, doi: 10.29100/jipi.v6i1.1910.
R. Rasenda, H. Lubis, and R. Ridwan, “Implementasi K-NN Dalam Analisa Sentimen Riba Pada Bunga Bank Berdasarkan Data Twitter,” mib, vol. 4, no. 2, p. 369, Apr. 2020, doi: 10.30865/mib.v4i2.2051.
A. H. Lubis, L. P. A. Lubis, and Sriani, “Sentiment analysis on twitter about the death penalty using the support vector machine method,” TEKNOSAINS: Jurnal Sains, Teknologi dan Informatika, vol. 11, no. 2, pp. 312–321, 2024, doi: 10.37373.
S. Widaningsih, “Penerapan Data Mining untuk Memprediksi Siswa Berprestasi dengan Menggunakan Algoritma K Nearest Neighbor,” JATISI (Jurnal Teknik Informatika dan Sistem Informasi), vol. 9, no. 3, pp. 2598–2611, 2022, doi: 10.35957/jatisi.v9i3.859.
R. S. Wahono, Data Mining Data mining, vol. 2, no. January 2013. 2023.
M. Furqon, S. Sriani, and L. S. Harahap, “Klasifikasi Daun Bugenvil Menggunakan Gray Level Co-Occurrence Matrix Dan K-Nearest Neighbor,” Jurnal CoreIT: Jurnal Hasil Penelitian Ilmu Komputer dan Teknologi Informasi, vol. 6, no. 1, p. 22, 2020, doi: 10.24014/coreit.v6i1.9296.
D. Handoko, H. S. Tambunan, and J. T. Hardinata, “Analisis Penjualan Produk Paket Kuota Internet Dengan Algoritma K-Nearest Neighbor,” jurasik, vol. 6, no. 1, p. 111, Feb. 2021, doi: 10.30645/jurasik.v6i1.275.
R A Manullang and f a Sianturi, “Penerapan Algoritma K-Nearest Neighbor Untuk Memprediksi Kelulusan Mahasiswa,” Jurnal Ilmu Komputer Dan …, vol. 4, no. 2, pp. 15–23, 2021.
W. Fajri and T. Hardiani, “Sistem Informasi Rekam Medis Asesmen Kebidanan Berbasis Web menggunakan Metode Rapid Aplication Development (RAD),” PSEUDOCODE, vol. 10, no. 2, pp. 90–98, 2023.
M. Rafi Nahjan, Nono Heryana, and Apriade Voutama, “IMPLEMENTASI RAPIDMINER DENGAN METODE CLUSTERING K-MEANS UNTUK ANALISA PENJUALAN PADA TOKO OJ CELL,” jati, vol. 7, no. 1, pp. 101–104, Jan. 2023, doi: 10.36040/jati.v7i1.6094.
M. Rafi Nahjan, Nono Heryana, and Apriade Voutama, “Implementasi Rapidminer Dengan Metode Clustering K-Means Untuk Analisa Penjualan Pada Toko Oj Cell,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 7, no. 1, pp. 101–104, 2023, doi: 10.36040/jati.v7i1.6094.
