Jurnal Ilmiah Fakultas Teknik LIMIT S Vol.13 No 1 September 2017
|
|
- Yulia Inge Dharmawijaya
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PREDIKSI KELAYAKAN KREDIT SEPEDA MOTOR DENGAN MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR 1 Hernalom Sitorus, 2 RizwanAndreansyah Fakultas Teknik Informatika 1) Dosen Fakultas Teknik 2) Lulusan Teknik Informatika Fakultas Teknik Universitas Satya Indonesia Universitas Satya Indonesia Jl. Sultan Iskandar Muda No. 11, Jakarta Selaan ABSTRAK Pada bidang usaha kredit, faktor kegagalan dan kerugian sangatlah mempengaruhi kinerja suatu suatu usaha, salah satu faktor kegagalannya adalah kurang akuratnya informasi dalam penilaian konsumen dan tidak adanya sistem untuk memprediksi kelayakan pemberian kredit terhadap konsumen baru, diperlukan suatu sitem yang dapat membantu memprediksi kelayakan pemberian kredit kepada calon konsumen. Metode yang akan digunakan dalam penelitian ini adalah metode fuzzy knn, dalam penelitian ini dibutuhkan data sampel atau kasus lama untuk mencari kedekatan dari kasus baru, dan hasil prediksinya adalah layak atau tidak layak. Kata Kunci : Algoritma k-nearest Neighbor, Prediksi, Kredit ABSTRACT In the field of credit business, the factors of failure and loss are very affect the performance of a business, one of the factors failure is the lack of accurate information in consumer ratings and the absence of a system to predict the creditworthiness of new customers, a system that can help predict the feasibility of lending to potential customers. The method that will be used in this research is fuzzy knn method, in this research we need sample data or old case to look for closeness of new case, and the prediction result is feasible or not feasible. Keywords: algorithm k-nearest Neighbor, Predict, Credit PENDAHULUAN Data kendaraan sepeda motor didaerah Toboali Bangka mengalami peningkatan dari tahun ke tahun, salah satu pemicu peningkatan kendaraan sepeda motor didaerah Toboali Bangka yang setiap tahun meningkat adalah banyaknya perusahaan-perusahaan pembiayaan kredit sepeda motor yang memberikan kemudahaan kredit kepada masyarakat. Adapun kemudahan yang diberikan pihak perusahaan pembiayaan kredit itu seperti DP (Down Payment) rendah dan persyaratan yang hanya menggunakan Kartu Tanda Penduduk (KTP) dan Kartu Keluarga (KK) masyarakat langsung bisa mendapatkan kendaraan sepeda motor, tanpa ada proses untuk memprediksi kelayakan konsumen di perusahaan tersebut. Dengan adanya kemudahan yang ditawarkan oleh pihak perusahaan pembiayaan ini banyak masyarakat yang tidak lagi memikirkan kondisi keuangan keluarganya. Dalam proses persetujuan kredit yang diterapkan oleh pihak perusahaan adalah konsumen harus menyerahkan persyaratan kepada pihak perusahaan, adapun persyaratan yang harus diserahkan kepada perusahaan adalah foto copy Kartu Tanda Penduduk (KTP) dan Kartu Keluarga (KK) kepada pihak perusahaan, dan konsumen memilih sepeda motor yang diinginkan, menentukan DP (Down Payment) dan jangka waktu kredit. Setelah persyaratan semuanya sudah dinyatakan lengkap, dari pihakperusahaan melakukan survey dilingkungan sekitar rumah konsumen, setelah proses survey selesai dari pihak karyawan perusahaan langsung memberikan informasi yang didapatkan di lingkunngan rumah konsumen kepada kredit analis, dan kredit analis langsung memberikan keputusan diterima atau ditolaknya konsumen tersebut kepada pihak dealer motor. Dari mulai berdirinya PT.FIFGROUP Cabang Toboali Bangka dari Tahun 2004 sampai dengan sekarang, perusahaan hanya menggunakan sistem persetujuan yang penulis uraikan diatas. Dengan
2 sistem persetujuan diatas maka besar resiko angsuran macet yang akan dialami oleh PT.FIFGROUP Cabang Toboali Bangka dikarenakan tidak adanya sistem untuk memprediksi kelayakan konsumen tersebut. Maka saya selaku penulis dalam penelitian ini akan menerapkan Algoritma k-nearest Neighbor guna memprediksi kelayakan kredit sepeda motor di PT.FIFGROUP Cabang Toboali Bangka. TUJUAN PENELITIAN Tujuan dari penelitian ini adalah untuk menerapkan Algoritma k-nearest Neighbor guna memprediksi kelayakan kredit di PT.FIFGROUP Cabang Toboali Bangka. LANDASAN TEORI Kredit Istilah kredit berasal dari perkataan latin credo, yang berarti I believe, I trust, saya percaya atau saya menaruh kepercayaan (Rivai, 2006). Kredit adalah penyerahan barang, jasa, atau uang dari satu pihak (kreditor/pemberi pinjaman) atas dasar kepercayaan kepada pihak lain (nasalah, konsumen atau pengutang/borrower) dengan janji membayar dari penerima kredit kepada pemberi kredit pada tanggal yang telah disepakati kedua belah pihak. Memperoleh kredit berarti memperoleh kepercayaan atas dasar kepercayaan kepada seseorang yang memerlukannya maka diberikan uang, barang atau jasa dengan syarat membayar kembali atau memberikan penggantiannya dalam satu jangka waktu yang telah diperjanjikan (Linof,2011). Pengertian Data Mining Data Mining adalah suatu istilah yang digunkan untuk menguraikan penemuan pengetahuan di dalam database. Data mining adalah proses yang menggunakan teknik statistic, matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai database besar (Turban, dkk. 2005). Menurut Gartner Group data mining adalah suatu proses menemukan hubungan yang berarti, pola, dan kecendrungan dengan memeriksa dalam sekumpulan besar data yang tersimpan dalam penyimpanan dengan menggunakan teknik pengenalan pola seperti teknik statistic dan matematika (Larose, 2005). Data mining bukanlah suatu bidang yang sama sekali baru. Salah satu kesulitan untuk mendefiniskan data mining adalah kenyataan bahwa data mining mewarisi banyak aspek dan teknik dari bidang-bidang ilmu yang sudah mapan terlebih dahulu. Gambar 2.1 menunjukan bahwa data mining memiliki akar yang panjang dari bidang ilmu seperti kecerdasan buatan (artificial intelligent), machine learning, statistic, database, dan juga information retrieval (Pramudiono, 2006). Algoritma K-Nearest Neighbor K-Nearest Neighbor adalah pendekatan untuk mencari kasus dengan menghitung kedekatan antara kasus baru dengan kasus lama, yaitu berdasarkan pada pencocokan bobot dari sejumlah fitur yang ada. Misalkan diinginkan untuk mencari solusi terhadap seorang pasien baru dengan menggunkan solusi dari pasien terdahulu. Untuk mencari kasus pasien mana yang akan digunakan, maka dihitung kedekatan kasus pasien baru dengan semua kasus pasien lama. Kasus pasien lama dengan kedekatan terbesarlah yang akan diambil solusinya untuk digunakan pada kasus pasien baru. Metodelogi Analisa K-Nearest Neighbor Ada banyak cara untk mengukur jarak kedekatan antara data baru dan data lama (data training), diantaranya Euclidean distance dan manhattan distance (city block distance), yang paling sering digunakan adalah Euclidean distance (Bramer,2007), yaitu : Dimana a = a1,a2,, an, dan b = b1, b2,, bn mewakili n nilai atribut dari dua record. Untuk atribut dengan nilai kategori, pengukuran dengan euclidean distance tidak cocok. Sebagai penggantinya, digunakan fungsi sebagai berikut (Larose, 2006):
3 Different (ai,bi) = { 0 jika ai = bi = 1 selainnya dimana ai dan bi adalah nilai kategori. Jika nilai atribut antara dua record yang dibandingkan sama maka nilai jaraknya 0, artinya mirip, sebaliknya, jika berbeda maka nilai kedekatannya 1, artinya tidak mirip sama sekali. misalkan atribut warna dengan nilai merah dan merah, maka nilai kedekatannya 0, jika merah dan biru maka nilai kedekatannya 1. Untuk mengukur jarak dari atribut yang mempunyai nilai besar, seperti atribut pendapatan, maka dilakukan normalisasi bisa dilakukan dengan min-max normalization atau Z-score standardization (Larose, 2006). Jika data training terdiri dari atribut campuran antara numeric dan kategori, lebih baik gunakan min-max normalization (Larose, 2006). Untuk menghitung kemiripan kasus, digunakan rumus (Kusrini, 2009): similarity(t,s) = ( ) Keterangan : T = Kasus baru S = Kasus yang ada dalam penyimpanan N = Jumlah atribut dalam tiap kasus i = Atribut individu antara 1 sampai dengan n f = Fungsi similarity atribut I antara kasus p dan kasus q w = Bobot yang diberikan pada atribut ke-i METODE PENELITIAN Data Primer Data Primer adalah data yang dikumpulkan sendiri oleh perorangan/suatu organisasi secara langsung dari objek yang diteliti dan untuk kepentingan studi yang bersangkutan yang dapat berupa interview, observasi. Di dalam pengambilan data sampel dan menentukan bobot yang tertera di tabel 3.2 atribut dan bobot, tabel 4.4 data sampel, itu semua penulis dapatkan atas kerja sama dengan pihak perusahaan, serta bobot-bobot di dalam nilai-nilai atribut, sehingga dalam penentuan nilai bobot tersebut semuanya dari pihak perusahaan. Dibawah ini adalah atribut dan nilai atribut yang digunakan untuk memprediksi kelayakan konsumen. Tabel1 Data Atribut Atribut Nilai Atribut Perkawinan -Belum Menikah - Menikah - Duda / Janda Jumlah Tanggun gan -Tidak Ada - < 3 - > 3 - Sewa / Kontrak - Pribadi - Orang Tua Kondisi - Permanen - Semi Permanen - Non Permanen Pekerjaan -Pegawai Pemerintahan - Polisi / TNI - Guru -Karyawan Swasta -Wiraswasta Kecil -Wiraswasta Menengah -Wiraswasta Besar - Nelayan -Petani / Berkebun - Pedagang -PNS/ASN - Tetap - Kontrak - Honorer - Pemilik -Buruh Harian Usia Tahun Tahun -Aparatur -Lembaga - BUMD -Lembaga Pendidikan - Swasta -Swasta Besar -Swasta Menengah -Swasta Kecil DP - > 50% % % % % - < 10 % Tabel 2 Atribut Dan Bobot Atribut Jumlah Kondisi Pekerjaan Usia DP (Down Perkawinan Tanggungan Payment) Bobot 0,8 1,4 1,2 1,1 1,2 1,2 0,8 0,8 1,5 PEMBAHASAN 1. Perhitungan Algoritma K-Nearest Negihbor Algoritma k-nearest Neighbor adalah pendekatan untuk mencari kasus dengan menghitung kedekatan antara kasus baru dengan kasus lama, yaitu berdasarkan pada pencocokan bobot dari
4 sejumlah fitur yang ada. Misalkan diinginkan mencari solusi terhadap seorang konsumen yang ingin kredit sepeda motor dengan menggunakan solusi dari konsumen terdahulu. Untuk mencari kasus konsumen mana yang akan digunakan, maka di hitung kedekatan kasus konsumen yang baru dengan semua kasus konsumen lama. Kasus konsumen lama dengan kedekatan terbesarlah yang akan diambil solusinya untuk digunakan pada kasus konsumen yang baru. 2. Rancangan Input dan Output Gambar1. Contoh Rancangan Input Gambar2 Contoh Rancangan Output 3. Rancangan Proses a. Kriteria Kelayakan Dalam sistem yang akan penulis rancang ini, ada beberapa contoh kriteria-kriteria yang dinyatakan layak dari perusahaan. Adapun contoh adalah sebagai berikut: Tabel 3. Kriteria Kelayakan No Atribut Nilai Atribut 1. -Belum Menikah Perkawinan 2. Jumlah -Tidak Ada Tanggungan 3. -Pribadi 4. Kondisi -Permanen 5. Pekerjaan -Pegawai Pemerintahan 6. -PNS/ASN 7. Usia Tahun 8. -Lembaga 9. DP (Down % Payment) 10. Layak Tabel 4. Kriteria Kelayakan No Atribut Nilai Atribut 1. -Menikah Perkawinan 2. Jumlah -< 3 Tanggungan 3. -Pribadi 4. Kondisi -Permanen 5. Pekerjaan -Polisi/TNI 6. -PNS/ASN 7. Usia Tahun 8. -Aparatur 9. DP (Down ->50 % Payment) 10. Layak
5 Jurnal Ilmiah Fakultas Teknik LIMIT S Vol. No. b. Data Bobot Untuk proses perhitungan menggunakan algoritma k-nearest neighbor, setiap atribut dan nilainilai atribut itu akan diberikan bobot. Total semua bobot dari atribut ini 10, dan dari angka 10 dibagikan kesemua atribut. Untuk nilai bobot yang lebih besar itu diartikan atribut tersebut sangat berpengaruh untuk prediksi dan sebaliknya, jika untuk nilai bobot rendah itu diartikan atribut tersebut tidak berpengaruh untuk memprediksi. Tabel 5. Atribut Dan Bobot No Atribut Bobot 1. Perkawinan 0,8 2. Jumlah Tanggungan 1,4 3. 1,2 4. Kondisi 1,1 5. Pekerjaan 1,2 6. 1,2 7. Usia 0,8 8. 0,8 9. DP (Down Payment) 1,5 c. Data Sampel Adapun data sampel yang penulis gunakan didalam penelitian ini adalah data yang didapatkan dari perusahaan, yaitu PT.FIFGROUP Cabang Toboali Bangka. Tabel 6. Data Sampel Perkawinan Juml Tanggungan Kondisi Pekerjaan Belum Menikah Tidak Ada Pribadi Permanen Pegawai Pemerintah Menikah >3 Orang Non Pegawai tua Permanen Pemerintah Usia PNS/ASN Honorer Lembaga Lembaga DP (Down Payment) Layak % <10 % Tidak Layak d. Data Uji Data uji adalah data kasus konsumen baru yang ingin melakukan kredit sepeda motor di PT.FIFGROUP Cabang Toboali Bangka. Tabel 7. Data Uji No Perkawinan Jumlah Tanggungan 1 Menikah >3 Orang Tua 2 Belum Tidak Ada Orang Menikah Tua Kondisi Non Permanen Semi Permanen Pekerjaan Usia Karyawan Swasta Kontrak Polisi/TNI PNS/ASN Swasta Aparatur DP (Down Paymen) <10 % %
6 4. Proses Perhitungan Algoritma K-Nearest Neighbor Dalam perhitungan kedekatan antara kasus baru pada data uji (tabel 4.5 dan tabel 4.6) dengan kasus lama sebagai data sampel (tabel 4.3 dan tabel 4.4), yaitu : Contoh Data Uji 1 Dibawah ini adalah perhitungan Kedekatan kasus baru data uji 1 dengan kasus lama data sampel nomor 1 A : Kedekatan bobot atribut status perkawinan (belum menikah dengan belum)=1 B : Untuk bobot atribut status perkawinan = 0,8 C : Kedekatan bobot atribut jumlah tanggungan (> 3 dengan tidak ada)= 0,5 D : Untuk bobot atribut jumlah tanggungan=1,4 E : Kedekatan bobot atribut status rumah (orang tua dengan pribadi)=0,5 F : Untuk bobot atribut status rumah=1,2 G : Kedekatan bobot atribut kondisi rumah (non permanen dengan permanen)=0,5 H : Untuk bobot atribut kondisi rumah=1,1 I : Kedekatan bobot atribut pekerjaan (karyawan swasta dengan pegawai pemerintah)=0,2 J : Untuk bobot atribut pekerjaan=1,2 K : Kedekatan bobot atribut status kepegawaian (kontrak dengan PNS/ASN)=0,4 L : Untuk bobot atribut status kepegawaian=1,2 M : Kedekatan bobot atribut usia (21-55 dengan 21-55)=0 N : Untuk bobot atribut usia=0,8 O : Kedekatan bobot atribut status perusahaan (perusahaan swasta dengan lembaga negara)=0,4 P : Untuk bobot atribut status perusahaan=0,8 Q : Kedekatan bobot atribut DP (<10% dengan < 20-30%)=0,2 R : Untuk bobot atribut DP (Down Payment)=1,5 Similarity = [(A*B)+(C*D)+(E*F)+(G*H)+(I*J)+(K*L)+(M*N)+(O*P)+(Q*R)] / (B+D+F+H+J+L+N+P+R) =[(1*0,8)+(0,5*1,4)+(0,5*1,2)+(0,5*1,1)+(0,2*1,2)+(0,4*1,2)+(0*0,8)+(0,4*0,8)+ (0,2*1,5)] /(0,8+1,4+1,2+1,1+1,2+1,2+0,8+0,8+1,5) =(0,8+0,7+0,6+0,55+0,24+0,48+0+0,32+0,3) / 10 =3,99 / 10 =0,399 Hasil perhitungan dari kedekatan data sampel nomor 1 dengan kasus baru 1 adalah 0,399 - Kedekatan kasus baru data uji 1 dengan kasus lama data sampel nomor 2 A : Kedekatan bobot atribut status perkawinan (menikah dengan menikah)=0 B : Untuk bobot atribut status perkawinan = 0,8 C : Kedekatan bobot atribut jumlah tanggungan (<3 dengan >3)= 0 D : Untuk bobot atribut jumlah tanggungan=1,4 E : Kedekatan bobot atribut status rumah (orang tua dengan orang tua)=0 F : Untuk bobot atribut status rumah=1,2 G : Kedekatan bobot atribut kondisi rumah (non permanen dengan non permanen)=0 H : Untuk bobot atribut kondisi rumah=1,1 I : Kedekatan bobot atribut pekerjaan (karyawan swasta dengan pegawai pemerintah)=0,2 J : Untuk bobot atribut pekerjaan=1,2 K : Kedekatan bobot atribut status kepegawaian (kontrak dengan honorer)=0,1 L : Untuk bobot atribut status kepegawaian=1,2 M : Kedekatan bobot atribut usia (21-55 dengan 21-55)=0 N : Untuk bobot atribut usia=0,8 O : Kedekatan bobot atribut status perusahaan (perusahaan swasta dengan lembaga negara)=0,4 P : Untuk bobot atribut status perusahaan=0,8 Q : Kedekatan bobot atribut DP (10 % dengan <10 %)=0 R : Untuk bobot atribut DP (Down Payment)=1,5
7 Similarity = [(A*B)+(C*D)+(E*F)+(G*H)+(I*J)+(K*L)+(M*N)+(O*P)+(Q*R)] / (B+D+F+H+J+L+N+P+R) =[(0*0,8)+(0*1,4)+(0*1,2)+(0*1,1)+(0,2*1,2)+(0,1*1,2)+(0*0,8)+(0,4*0,8)+ (0*1,5)] /(0,8+1,4+1,2+1,1+1,2+1,2+0,8+0,8+1,5) =( ,24+0,12+0+0,32+0) / 10 =0,68 / 10 =0,068. Hasil perhitungan dari kedekatan data sampel nomor 2 dengan kasus baru 1 adalah 0,068 Dari data sampel 1 dan 2 dapat diketahui bahwa nilai yang terkeciladalah kasus nomor 2. Bearti kasus yang terdekat dengan kasus baru 1 adalah kasus nomor 2, dengan demikian hasil uji data kasus baru di prediksikan Tidak Layak. Contoh Data Uji 2 Dibawah ini adalah perhitungan Kedekatan kasus baru data uji 2 dengan kasus lama data sampel nomor 1 A : Kedekatan bobot atribut status perkawinan (belum menikah dengan belum menikah)=0 B : Untuk bobot atribut status perkawinan = 0,8 C : Kedekatan bobot atribut jumlah tanggungan (tidak ada dengan tidak ada)= 0 D : Untuk bobot atribut jumlah tanggungan=1,4 E : Kedekatan bobot atribut status rumah (orang tua dengan pribadi)=1 F : Untuk bobot atribut status rumah=1,2 G : Kedekatan bobot atribut kondisi rumah (semi permanen dengan permanen)=1 H : Untuk bobot atribut kondisi rumah=1,1 I : Kedekatan bobot atribut pekerjaan (Polisi/TNI dengan pegawai pemerintah)=0,1 J : Untuk bobot atribut pekerjaan=1,2 K : Kedekatan bobot atribut status kepegawaian (PNS/ASN dengan PNS/ASN)=0 L : Untuk bobot atribut status kepegawaian=1,2 M : Kedekatan bobot atribut usia (21-55 dengan 21-55)=0 N : Untuk bobot atribut usia=0,8 O : Kedekatan bobot atribut status perusahaan (aparatur negara dengan lembaga negara)=0,1 P : Untuk bobot atribut status perusahaan=0,8 Q : Kedekatan bobot atribut DP (<10 20 % dengan < %)=0,1 R : Untuk bobot atribut DP (Down Payment)=1,5 Similarity = [(A*B)+(C*D)+(E*F)+(G*H)+(I*J)+(K*L)+(M*N)+(O*P)+(Q*R)] / (B+D+F+H+J+L+N+P+R) =[(0*0,8)+(0*1,4)+(1*1,2)+(1*1,1)+(0,1*1,2)+(0*1,2)+(0*0,8)+(0,1*0,8)+(0,1*1,5)] / (0,8+1,4+1,2+1,1+1,2+1,2+0,8+0,8+1,5) =(0+0+1,2+1,1+0, ,08+0,15) / 10 =2,65 / 10 =0,265 Hasil perhitungan dari kedekatan data sampel nomor 1 dengan kasus baru nomor 2 adalah 0,265 - Dibawah ini adalah perhitungan Kedekatan kasus baru data uji 2 dengan kasus lama data sampel nomor 2 A : Kedekatan bobot atribut status perkawinan (belum menikah dengan menikah)=1 B : Untuk bobot atribut status perkawinan = 0,8 C : Kedekatan bobot atribut jumlah tanggungan (tidak ada dengan> 3)= 0,5 D : Untuk bobot atribut jumlah tanggungan=1,4 E : Kedekatan bobot atribut status rumah (orang tua dengan orang tua)=0 F : Untuk bobot atribut status rumah=1,2 G : Kedekatan bobot atribut kondisi rumah (semi permanen dengan non permanen)=0,5 H : Untuk bobot atribut kondisi rumah=1,1 I : Kedekatan bobot atribut pekerjaan (polisi/tni dengan pegawai pemerintah)=0,1 J : Untuk bobot atribut pekerjaan=1,2 K : Kedekatan bobot atribut status kepegawaian (PNS/ASN dengan honorer)=0,5
8 L : Untuk bobot atribut status kepegawaian=1,2 M : Kedekatan bobot atribut usia (21-55 dengan 21-55)=0 N : Untuk bobot atribut usia=0,8 O : Kedekatan bobot atribut status perusahaan (aparatur negara dengan lembaga negara)=0,1 P : Untuk bobot atribut status perusahaan=0,8 Q : Kedekatan bobot atribut DP (<10 20 % dengan <10%)=0,1 R : Untuk bobot atribut DP (Down Payment)=1,5 Similarity = [(A*B)+(C*D)+(E*F)+(G*H)+(I*J)+(K*L)+(M*N)+(O*P)+(Q*R)] / (B+D+F+H+J+L+N+P+R) =[(1*0,8)+(0,5*1,4)+(0*1,2)+(0,5*1,1)+(0,1*1,2)+(0,5*1,2)+(0*0,8)+(0,1*0,8)+(0,1*1,5)]/ (0,8+1,4+1,2+1,1+1,2+1,2+0,8+0,8+1,5) =(0,8+0,7+0+0,55+0,12+0,6+0+0,08+0,15) / 10 =3 / 10 =0,3 Hasil perhitungan dari kedekatan data sampel nomor 2 dengan kasus baru 2 adalah 0,3. Dari data sampel 1 dan 2 dapat diketahui bahwa nilai yang terkecil adalah kasus nomor 1. Dengan demikian kasus yang terdekat dengan kasus baru 2 adalah kasus lama atau data sampel nomor 1, dengan demikian hasil uji data kasus baru di prediksikan Layak. HASIL 1. Tampilan Utama Gambar 3. Tampilan Utama Gambar diatas merupakan tampilan awal setelah admin melakukan login. Ditampilan Utama ini menampilkan beberapa menu yang bisa digunakan. TB_Konsumen Adalah data konsumen baru yang disimpan oleh admin, TB_SAMPEL Adalah kumpulan data atau kasus lama yang akan digunakan untuk mencari kedekatan dengan data atau kasus baru, sedangkan TB_User adalah data username dan password admin.
9 2. Form Data Uji Gambar 4.Form Data Uji Form data uji digunakan admin untuk melakukan input data konsumen baru, untuk mencari kedekatan antara kasus baru dengan kasus lama. Setelah admin melakukan input data konsumen baru dan mengklik tombol yang berwarna biru yang bertuliskan TES, maka program akan melakukan perhitungan K-NN. 3 Form Data Sampel Gambar 5. Form Data Sampel Gambar diatas adalah form data sampel yang didalamnya terdapat data atau kasus lama. Jika admin ingin melakukan input data sampel yang baru, maka admin mengklik tombol Tambah yang berada di atas sebelah kanan layar dan jika ingin menghapus atau merubah data, admin mengklik tombol biru untuk merubah dan tombol merah untuk menghapus data. 4 Form Hasil Prediksi Gambar 6. Form Hasil Prediksi Setelah melakukan pengujian data di Gambar 4 dan mencari kedekatan dari data sampel di Gambar 5, maka didapatkan hasil prediksi untuk konsumen baru Seperti Gambar diatas. Setelah hasil prediksi tampil, di tampilan ini juga akan menampilkan tombol yang berwarna biru untuk menambahkan data konsumen kedalam database perusahaan dan tombol berwarnah kuning untuk batal menambahkan data konsumen tersebut.
10 KESIMPULAN DAN SARAN 1. Kesimpulan Proses untuk memprediksi kelayakan kredit sepeda motor dapat dilakukan dengan menerapkan algoritma k-nearest neighbor. Algoritma k-nearest neighbor dapat memprediksi konsumen baru yang ingin melakukan kredit dengan cara mencari kedekatan antara kasus konsumen baru yang ingin melakukan kredit dengan kasus lama sebagai data sampel, berdasarkan nilai-nilai atribut yang telah ditentukan oleh perusahaan dan kriteria-kriteria konsumen yang dinyatakan layak atau tidak layaknya konsumen baru tersebut. Adapun kesimpulan yang dapat diambil adalah algoritma k-nearest neighbor dalam kasus memprediksi konsumen baru yang ingin melakukan kredit sepeda motor ini sangatlah sesuai. Dalam tujuan penelitian ini adalah untuk menerapkan algoritma k-nearest neighbor guna memprediksi kelayakan kredit sepeda motor di PT. FIFGROUP Cabang Toboali Bangka. DAFTAR PUSTAKA Kusrini, Amha Taufiq Lutfhi. (2009). Algoritma Data Mining, Larose, D. T. (2005). Discovering Knowledge in Data: An Introduction to Data. John Willey & Sons, Inc. Leidiyana, H. (2013). PENERAPAN ALGORITMA K-NEAREST NEIGHBOR UNTUK PENENTUAN RESIKO KREDIT KEPEMILIKAN KENDARAAN BEMOTOR. Jurnal Penelitian Ilmu Komputer, System Embedded & Logic, Muliadinata, Saban. (2014). Algoritma K-Nearest Neighbor (KNN). /04/algoritma-k-nearest-neighbor-knn_16.html., Pramudiono, I. (16 januari 2007). Apa Itu Data Mining? " Purwanti, E. (2015). Klasifikasi Dokumen Temu Kembali Informasi dengan K-Nearest Neighbor Rivai, V. A. (2006). Credit Management Handbook. jakarta: Raja GrafindoPersada. Rumbaugh, James, Jacobson, Ivan and Booch, Grady. (2005). The Unified Modeling Language User Guide. Sumarlin. (2015). Implementasi Algoritma K-Nearest Neighbor Sebagai Pendukung Keputusan Klasifikasi Penerima Beasiswa PPA dan BBM Sunarfrihantono, B. (2002). PHP dan MySQL Untuk Web. Turban, E. d. (2005). Decision Support Systems and Intelligent Systems. Yogyakarta.
BAB I PENDAHULUAN. 1.1 Latar Belakang. Kehidupan manusia selalu diiringi dengan berbagai kebutuhan. Salah
BAB I PENDAHULUAN 1.1 Latar Belakang Kehidupan manusia selalu diiringi dengan berbagai kebutuhan. Salah satunya adalah kebutuhan menurut intensitas atau kebutuhan menurut tingkat kepentingannya dibagi
Lebih terperinciPENERAPAN ALGORITMA K-NEAREST NEIGHBOR (K-NN) UNTUK PREDIKSI WAKTU KELULUSAN MAHASISWA
PENERAPAN ALGORITMA K-NEAREST NEIGHBOR (K-NN) UNTUK PREDIKSI WAKTU KELULUSAN MAHASISWA Andi Gita Novianti 1, Dian Prasetyo 2 1,2 Program Studi Teknik Informatika, Fakultas Ilmu Komputer dan Manajemen,
Lebih terperinciJURNAL. Sistem Bantu Pemilihan Penerima Bantuan Siswa Miskin Menggunakan KNN (K-NEAREST NEIGHBOR)
JURNAL Sistem Bantu Pemilihan Penerima Bantuan Siswa Miskin Menggunakan KNN (K-NEAREST NEIGHBOR) Help System Selecting The Beneficiaries Of Poor Students Use KNN (K-NEAREST NEIGHBOR) Oleh: MOHAMMAD SYAIFUDIN
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENEMPATAN JURUSAN MAHASISWA BARU MENGGUNAKAN METODE K-NEAREST NEIGHBOR
Cogito Smart Journal/VOL. 1/NO. 1/DESEMBER 2015IJCCS ISSN: 1 97 55 SISTEM PENDUKUNG KEPUTUSAN PENEMPATAN JURUSAN MAHASISWA BARU MENGGUNAKAN METODE K-NEAREST NEIGHBOR Ratih Kumalasari Niswatin 1) Teknik
Lebih terperinciALGORITMA NEAREST NEIGHBOR UNTUK MENENTUKAN AREA PEMASARAN PRODUK BATIK DI KOTA PEKALONGAN
ALGORITMA NEAREST NEIGHBOR UNTUK MENENTUKAN AREA PEMASARAN PRODUK BATIK DI KOTA PEKALONGAN Devi Sugianti Program Studi Sistem Informasi,STMIK Widya Pratama Jl. Patriot 25 Pekalongan Telp (0285)427816 email
Lebih terperinciANALISA DAN PERANCANGAN APLIKASI DATA MINING PENENTUAN RESIKO KREDIT KEPEMILIKAN KENDARAAN BERMOTOR MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR
ANALISA DAN PERANCANGAN APLIKASI DATA MINING PENENTUAN RESIKO KREDIT KEPEMILIKAN KENDARAAN BERMOTOR MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR Fahrozi Zulfami Program Sarjana Teknik Informatika, Universitas
Lebih terperinciBAB IV RANCANGAN TAMPILAN
BAB IV RANCANGAN TAMPILAN 4.1 Struktur Menu Gambar 4.1 Struktur Menu 4.2 Rancangan Layar 4.2.1 Rancangan Layar Login Gambar 4.2 - Rancangan Layar Login 65 Tabel 4.1 Keterangan Rancangan Layar Login Keterangan
Lebih terperinciABSTRAK. Kata kunci : Sistem Informasi, Simple Additive Weighting, Sistem Pendukung Keputusan. iv Maranatha Christian University
ABSTRAK BPR adalah salah satu jenis bank yang biasanya terkenal melayani pengusaha untuk golongan menengah ke bawah dalam bidang permintaan kredit pinjaman. Dengan banyaknya permohon permintaan kredit
Lebih terperinciBAB IV PEMBAHASAN. Pada bab ini akan dibahas mengenai penerapan metode Fuzzy K-Nearest
BAB IV PEMBAHASAN Pada bab ini akan dibahas mengenai penerapan metode Fuzzy K-Nearest Neighbor pada proses penentuan resiko kredit kepemilikan karaan bermotor dengan menggunakan metode Fuzzy K-Nearest
Lebih terperinciANALISIS SEGMENTASI NASABAH MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING (Studi Kasus di PT. Buana Sejahtera Multidana Cabang Cikampek)
ANALISIS SEGMENTASI NASABAH MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING (Studi Kasus di PT. Buana Sejahtera Multidana Cabang Cikampek) Meriska Defriani 1, Noviyanti 2 1 STT Wastukancana 2 Teknik Informatika,
Lebih terperinciSISTEM PENILAIAN KARYAWAN TERBAIK MENGGUNAKAN METODE SIMPLE ADDITIVE WEIGHTING PADA DEALER MOTOR
SISTEM PENILAIAN KARYAWAN TERBAIK MENGGUNAKAN METODE SIMPLE ADDITIVE WEIGHTING PADA DEALER MOTOR Aris Rakhmadi 1*, Bambang Efirianto 2 1,2 Prodi Informatika, Fakultas Komunikasi dan Informatika, Universitas
Lebih terperinciALGORITMA NEAREST NEIGHBOR
ALGORITMA NEAREST NEIGHBOR A. Algoritma Nearest Neighbor adalah pendekatan untuk mencari kasus dengan menghitung kedekatan antara kasus baru dengan kasus lama, yaitu berdasarkan pada pencocokan bobot dari
Lebih terperinciBAB IV HASIL DAN UJI COBA
BAB IV HASIL DAN UJI COBA IV.1. Tampilan Hasil Berikut ini akan dijelaskan tentang tampilan hasil program dan pembahasan dari Sistem Pendukung Keputusan Menentukan Pemberian Pinjaman Kredit (Debitur) Pada
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. tampilan layar sistem ERP CV.Gracia Jaya beserta prosedur penggunaannya
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Implementasi 4.1.1 Prosedur Umum Pengunaan Sistem Sistem ERP yang di rancang pada CV.Gracia Jaya terdiri dari beberapa modul besar seperti Master, Inventory, Keuangan
Lebih terperinciBAB IV HASIL DAN UJI COBA
BAB IV HASIL DAN UJI COBA IV.1. Tampilan Hasil Pada bab ini akan dijelaskan tampilan hasil dari aplikasi yang telah dibuat, yang digunakan untuk memperjelas tentang tampilan-tampilan yang ada pada aplikasi
Lebih terperinciPENERAPAN ALGORITMA K-NEAREST NEIGHBOR UNTUK PENENTUAN RESIKO KREDIT KEPEMILIKAN KENDARAAN BEMOTOR ABSTRAK
Jurnal Penelitian Ilmu Komputer, System Embedded & Logic 1(1) : 65-76 (2013) PENERAPAN ALGORITMA K-NEAREST NEIGHBOR UNTUK PENENTUAN RESIKO KREDIT KEPEMILIKAN KENDARAAN BEMOTOR Henny Leidiyana Program Pasca
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 1.1 Data Mining Data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstrasi dan mengidentifikasi informasi
Lebih terperinciBAB IV HASIL DAN UJI COBA
BAB IV HASIL DAN UJI COBA IV.1. Tampilan Hasil Hasil dari penerapan Metode Fuzzy TSukamoto dalam Pendukung Keputusan Penilaian Kinerja Karyawan pada PT. Taspen (Persero) Medan yang dibangun dapat dilihat
Lebih terperinciAPLIKASI PREDIKSI HARGA SAHAM APPLE, IBM, DELL DAN HP MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORS
APLIKASI PREDIKSI HARGA SAHAM APPLE, IBM, DELL DAN HP MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORS Naila Fitriah 52409455 Teknologi Industri Teknik Informatika AGENDA Saham? Manfaat Prediksi Saham KNN? 2
Lebih terperinciTEKNIK DATA MINING UNTUK MEMPREDIKSI MASA STUDI MAHASISWA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORHOOD
Jurnal Teknik Komputer Unikom Komputika Volume 3, No.2-2014 TEKNIK DATA MINING UNTUK MEMPREDIKSI MASA STUDI MAHASISWA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORHOOD Selvia Lorena Br Ginting 1), Wendi Zarman
Lebih terperinciPENGELOMPOKAN PROGRAM PNPM MANDIRI DENGAN MENGGUNAKAN METODE K-MEANS CLUSTERING DAN METODE K-NEAREST NEIGHBOR TUGAS AKHIR
PENGELOMPOKAN PROGRAM PNPM MANDIRI DENGAN MENGGUNAKAN METODE K-MEANS CLUSTERING DAN METODE K-NEAREST NEIGHBOR TUGAS AKHIR Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas
Lebih terperinciKlasifikasi Data Karyawan Untuk Menentukan Jadwal Kerja Menggunakan Metode Decision Tree
Klasifikasi Data Karyawan Untuk Menentukan Jadwal Kerja Menggunakan Metode Decision Tree Disusun oleh : Budanis Dwi Meilani Achmad dan Fauzi Slamat Jurusan Sistem Informasi Fakultas Teknologi Informasi.
Lebih terperinciJURNAL IMPLEMENTASI ALGORITMA C4.5 DALAM PENENTUAN JURUSAN DI SMK PEMUDA PAPAR KEDIRI
JURNAL IMPLEMENTASI ALGORITMA C4.5 DALAM PENENTUAN JURUSAN DI SMK PEMUDA PAPAR KEDIRI C4.5 ALGORITHM IMPLEMENTATION IN DETERMINING THE DEPARTMENT OF SMK PEMUDA PAPAR KEDIRI Oleh: MARISA FITRI FATMAWATI
Lebih terperinciBAB II TINJAUAN PUSTAKA. Istilah kredit berasal dari bahasa Yunani Credere yang berarti
BAB II TINJAUAN PUSTAKA 2.1 Kredit Istilah kredit berasal dari bahasa Yunani Credere yang berarti kepercayaan, oleh karena itu dasar dari kredit adalah kepercayaan. Seseorang atau semua badan yang memberikan
Lebih terperinciJurnal Informatika Mulawarman Vol. 12, No. 1, Februari ISSN
Jurnal Informatika Mulawarman Vol. 12, No. 1, Februari 2017 50 APLIKASI KLASIFIKASI ALGORITMA C4.5 (STUDI KASUS MASA STUDI MAHASISWA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS MULAWARMAN
Lebih terperinciANALISIS DAN IMPLEMENTASI PENGAMBILAN POLA KEPUTUSAN NASABAH YANG BERHAK MENERIMA KREDIT MENGGUNAKAN ALGORITMA ID3 PADA BANK MANDIRI PANGKALPINANG
ANALISIS DAN IMPLEMENTASI PENGAMBILAN POLA KEPUTUSAN NASABAH YANG BERHAK MENERIMA KREDIT MENGGUNAKAN ALGORITMA ID3 PADA BANK MANDIRI PANGKALPINANG Nurhasman Hari Wibawa Sistem Informasi STMIK Atma Luhur
Lebih terperinciIMPLEMENTASI DATA MINING DENGAN NAIVE BAYES CLASSIFIER UNTUK MENDUKUNG STRATEGI PEMASARAN DI BAGIAN HUMAS STMIK AMIKOM YOGYAKARTA
IMPLEMENTASI DATA MINING DENGAN NAIVE BAYES CLASSIFIER UNTUK MENDUKUNG STRATEGI PEMASARAN DI BAGIAN HUMAS STMIK AMIKOM YOGYAKARTA Erik Hadi Saputra 1), Burhan Alfironi Muktamar 2) 1), 2) Teknik Informatika
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN IV.1. Tampilan Hasil Berikut ini dijelaskan mengenai tampilan hasil dari perancangan Sistem Pendukung Keputusan Penentuan Kelayakan Pinjaman Dana Nasabah Pada PT. FIF Group
Lebih terperinciDATA MINING ALGORITMA NEAREST NEIGHBOR UNTUK MEMPREDIKSI TINGKAT RESIKO PINJAMAN DANA DI BANK PERKREDITAN RAKYAT
DATA MINING ALGORITMA NEAREST NEIGHBOR UNTUK MEMPREDIKSI TINGKAT RESIKO PINJAMAN DANA DI BANK PERKREDITAN RAKYAT Eka Praja Wiyata Mandala Universitas Putra Indonesia YPTK, Padang Jl. Raya Lubuk Begalung
Lebih terperinciKlasifikasi Penerima Bantuan Kredit Koperasi Dengan Metode ID3
JURNAL SISTEM DAN INFORMATIKA 67 Klasifikasi Penerima Bantuan Kredit Koperasi Dengan Metode ID3 Ida Bagus Suradarma, I Komang Dharmendra STMIK STIKOM BALI Jln. Raya Puputan Renon No. 86 Telp. (0361) 244445
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN IV.1 Tampilan Hasil Berikut adalah tampilan hasil dan pembahasan dari Sistem Informasi Geografis Pos Polisi Penertiban Lalu Lintas Kota Medan. IV.1.1 Tampilan Menu Utama Tampilan
Lebih terperinciIMPLEMENTASI FUZZY TERHADAP SISTEM PENDUKUNG KEPUTUSAN DALAM MENENTUKAN KELAYAKAN PEMBIAYAAN PENGAJUAN KREDIT BARANG.
Jurnal Informatika, Vol. 12, No. 2, Desember 2012 Septilia Arfida IMPLEMENTASI FUZZY TERHADAP SISTEM PENDUKUNG KEPUTUSAN DALAM MENENTUKAN KELAYAKAN PEMBIAYAAN PENGAJUAN KREDIT BARANG 1Septilia Arfida 1Jurusan
Lebih terperinciVersi Online tersedia di : JURNAL TECH-E (Online)
JURNAL TECH-E - VOL. 1 NO. 1 (2017) Versi Online tersedia di : http://bsti.ubd.ac.id/e-jurnal JURNAL TECH-E 2581-116 (Online) Artikel Perancangan Aplikasi Prediksi Kelulusan Mahasiswa Tepat Waktu Pada
Lebih terperinciALGORITMA BAYESIAN CLASSIFICATION UNTUK MEMPREDIKSI HEREGRISTRASI MAHASISWA BARU DI STMIK WIDYA PRATAMA
ALGORITMA BAYESIAN CLASSIFICATION UNTUK MEMPREDIKSI HEREGRISTRASI MAHASISWA BARU DI STMIK WIDYA PRATAMA Devi Sugianti Program Studi Sistem Informasi,STMIK WidyaPratama Jl. Patriot 25 Pekalongan Telp (0285)427816
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN III.1. Analisis Masalah Analisa sistem pada yang berjalan bertujuan untuk mengidentifikasi serta melakukan evaluasi terhadap Sistem Pendukung Keputusan Pemberian Kredit
Lebih terperinciAbidah Elcholiqi, Beta Noranita, Indra Waspada
Abidah Elcholiqi, Beta Noranita, Indra Waspada PENENTUAN BESAR PINJAMAN DI KOPERASI SIMPAN PINJAM DENGAN ALGORITMA K-NEAREST NEIGHBOR (Studi Kasus di Koperasi Simpan Pinjam BMT Bina Insani Pringapus) Abidah
Lebih terperinciBAB IV HASIL DAN UJI COBA
BAB IV HASIL DAN UJI COBA IV.1. Hasil Berikut adalah tampilan hasil dari Sistem Informasi Produksi Pakaian Pada Yessica Taylor. IV.1.1. Form Menu Login Form login ini merupakan halaman untuk dapat masuk
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENJURUSAN SISWA PADA SMAN 5 KEDIRI DENGAN MENGGUNAKAN METODE PROFIL MATCHING
SISTEM PENDUKUNG KEPUTUSAN PENJURUSAN SISWA PADA SMAN KEDIRI DENGAN MENGGUNAKAN METODE PROFIL MATCHING SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom) Pada
Lebih terperinciPERBANDINGAN METODE NEAREST NEIGHBOR DAN ALGORITMA C4.5 UNTUK MENGANALISIS KEMUNGKINAN PENGUNDURAN DIRI CALON MAHASISWA DI STMIK AMIKOM YOGYAKARTA
PERBANDINGAN METODE NEAREST NEIGHBOR DAN ALGORITMA C4.5 UNTUK MENGANALISIS KEMUNGKINAN PENGUNDURAN DIRI CALON MAHASISWA DI STMIK AMIKOM YOGYAKARTA Kusrini 1, Sri Hartati 2, Retantyo Wardoyo 3, Agus Harjoko
Lebih terperinciPEMBANGUNAN SISTEM INFORMASI PERSONEL PADA DINAS ADMINISTRASI PERSONEL ARMADA REPUBLIK INDONESIA KAWASAN BARAT
PEMBANGUNAN SISTEM INFORMASI PERSONEL PADA DINAS ADMINISTRASI PERSONEL ARMADA REPUBLIK INDONESIA KAWASAN BARAT Mia Narulita Anggraeni *, Tacbir Hendro Pudjiantoro, Agus Komarudin Program Studi Informatika,
Lebih terperinciBAB IV DESAIN DAN UJI COBA
BAB IV DESAIN DAN UJI COBA IV.1. Tampilan Hasil Perancangan IV.1.1. Tampilan Form Login Mulai menggunakan Aplikasi pertama sekali pengguna diminta untuk mengisikan username dan password pengguna sebagai
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN IV.1. Tampilan Hasil Berikut ini dijelaskan tentang tampilan hasil dari Perancangan Sistem Informasi Distro Online Berbasis Web yang dibangun: 1. Tampilan Halaman Beranda Halaman
Lebih terperinciINTELEGENSI BUATAN. Mesin Pembelajaran (Machine Learning)
INTELEGENSI BUATAN Mesin Pembelajaran (Machine Learning) M. Miftakul Amin, M. Eng. e-mail: mmiftakulamin@gmail.com website : http://mafisamin.web.ugm.ac.id Jurusan Teknik Komputer Politeknik Negeri Sriwijaya
Lebih terperinciSaat mencari data user dapat mecarinya berdasarkan nomor kontraknya maupun. keywordnya maka user harus menekan tombol GO untuk memulai pencarian.
232 Saat mencari data user dapat mecarinya berdasarkan nomor kontraknya maupun berdasarkan tanggal bayar oleh nasabah seperti pada gambar 4.80. Setelah memasukkan keywordnya maka user harus menekan tombol
Lebih terperinciProsiding Seminar Ilmu Komputer dan Teknologi Informasi Vol. 1, No. 1, September 2016 ISSN
SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN KARYAWAN TERBAIK PER TRIWULAN PT.CAHAYA FAJAR KALTIM PLTU EMBALUT TANJUNG BATU MENGGUNAKAN METODE SIMPLE ADDITIVE WEIGHTING Handri Murdianto *,1, Dyna Marisa Khairina
Lebih terperinciLampiran 1 Form Permohonan Tenaga Kerja
Lampiran 1 Form Permohonan Tenaga Kerja L1 Lampiran 2 Form Hasil Penilaian Wawancara L2 Lampiran 3 Form Rekomendasi / Tindakan yang Diambil L3 Lampiran 4 Form Penilaian Kinerja L4 L5 L6 L7 Lampiran 5 Form
Lebih terperinciIMPLEMENTASI DATA MINING ALGORITMA C4.5 UNTUK MEMPREDIKSI PEMBAYARAN PINJAMAN PADA KOPERASI SIMPAN PINJAM PRIMKOVERI BINA BAKTI PEMALANG
IMPLEMENTASI DATA MINING ALGORITMA C4.5 UNTUK MEMPREDIKSI PEMBAYARAN PINJAMAN PADA KOPERASI SIMPAN PINJAM PRIMKOVERI BINA BAKTI PEMALANG NASKAH PUBLIKASI diajukan oleh Rezki Badriza 11.11.5436 kepada JURUSAN
Lebih terperinciMODEL MULTI ATTRIBUTE DECISION MAKING METODE SIMPLE ADDITIVE WEIGHTING DALAM PENENTUAN PENERIMA PINJAMAN
100 JURNAL TEKNIK KOMPUTER AMIK BSI MODEL MULTI ATTRIBUTE DECISION MAKING METODE SIMPLE ADDITIVE WEIGHTING DALAM PENENTUAN PENERIMA PINJAMAN Mely Mailasari 100 Abstract Employees Cooperative PT. Indomobil
Lebih terperinciBAB IV HASIL DAN UJI COBA
28 BAB IV HASIL DAN UJI COBA IV.1. Tampilan Hasil Berikut ini dijelaskan mengenai tampilan hasil dari perancangan Penentuan Tempat Pembuangan Akhir Sampah (TPA) Menggunakan Metode SAW Pada Dinas Kebersihan
Lebih terperinciPerangkat Lunak Penentuan Kredit pada PT. FIF Group Plaju Berbasis Android
Perangkat Lunak Penentuan Kredit pada PT. FIF Group Plaju Berbasis Android Fungky Saputra Jaya 1 Zanial Mazalisa, M.M., M.Kom 2 Nurul Adha Oktarini Saputri, M.Kom 3 1) Mahasiswa Informatika Universitas
Lebih terperinciABSTRAK. Kata Kunci: Perpustakaan, buku, data, peminjaman, pengembalian, pencarian. Universitas Kristen Maranatha
ABSTRAK Perpustakaan adalah suatu unit kerja dari suatu badan atau lembaga tertentu yang mengelola bahan bahan pustaka baik berupa buku maupun bukan berupa buku yang diatur menurut aturan tertentu dan
Lebih terperinciBAB IV HASIL DAN UJI COBA
BAB IV HASIL DAN UJI COBA IV.1. Tampilan Hasil Berikut ini dijelaskan tentang tampilan hasil dari Metode Fuzzy MCDM (Multiple Criteria Decision Making) dapat dilihat sebagai berikut : IV.1.1. Halaman Utama
Lebih terperinciBAB IV HASIL DAN UJI COBA
BAB IV HASIL DAN UJI COBA IV.1. Tampilan Hasil Rancangan Sesuai dengan perancangan sistem yang telah dikemukakan sebelumnya, pada Sistem Informasi Pembayaran Angsuran Kredit Sepeda Motor ini, terdapat
Lebih terperinciPenerapan Data Mining dalam Memprediksi Pembelian cat
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Penerapan Data Mining dalam Memprediksi Pembelian cat Fitriana Harahap STMIK POTENSI UTAMA Jl. KL. Yos Sudarso KM 6,5
Lebih terperinciJurnal Ilmiah Sains, Teknologi, Ekonomi, Sosial dan Budaya Vol. 1 No. 4 Desember 2017
TEXT MINING DALAM PENENTUAN KLASIFIKASI DOKUMEN SKRIPSI DI PRODI TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER BERBASIS WEB Teuku Muhammad Johan dan Riyadhul Fajri Program Studi Teknik Informatika Fakultas
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN UNTUK MENGIDENTIFIKASI PERKEMBANGAN ANAK DALAM MENGIKUTI EKSTRA DI TAMAN KANAK-KANAK
SISTEM PENDUKUNG KEPUTUSAN UNTUK MENGIDENTIFIKASI PERKEMBANGAN ANAK DALAM MENGIKUTI EKSTRA DI TAMAN KANAK-KANAK SKRIPSI Diajukan Untuk Memenuhi Sabagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom.)
Lebih terperinciBAB IV HASIL DAN UJI COBA
BAB IV HASIL DAN UJI COBA IV.1. Hasil Berikut ini dijelaskan tentang tampilan hasil dari Sistem Informasi Geografis Lokasi Sekolah Dasar Negeri Di Kota Binjai Berbasis Web dapat dilihat sebagai berikut
Lebih terperinciPREDIKSI HERREGISTRASI CALON MAHASISWA BARU MENGGUNAKAN ALGORITMA NAÏVE BAYES
PREDIKSI HERREGISTRASI CALON MAHASISWA BARU MENGGUNAKAN ALGORITMA NAÏVE BAYES Selvy Megira 1), Kusrini 2), Emha Taufiq Luthfi 3) 1), 2), 3) Teknik Universitas AMIKOM Yogyakarta Jl Ring road Utara, Condongcatur,
Lebih terperinciMuhammad Yudin Ritonga ( )
SISTEM PENDUKUNG KEPUTUSAN PENENTUAN PRODUKSI MAKANAN MENGGUNAKAN LOGIKA FUZZY DENGAN METODE TSUKAMOTO (STUDI KASUS : PT. INDOFOOD CBP SUKSES MAKMUR MEDAN) Muhammad Yudin Ritonga (0911555) Mahasiswa Program
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisis Masalah Analisis masalah bertujuan untuk mengidentifikasi serta melakukan evaluasi terhadap Penentuan Kualitas Buah Apel Menggunakan Metode SAW Pada Swalayan
Lebih terperinciBAB IV HASIL DAN UJI COBA. Menggunakan Metode KNN (K Nearest Neighbour) Berbasis Web. Di bawah ini
BAB IV HASIL DAN UJI COBA IV.1 Tampilan Hasil Pada bab ini akan dijelaskan tampilan hasil dari aplikasi yang telah dibuat, yang digunakan untuk memperjelas tentang tampilan dari Sistem Pendukung Keputusan
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN IV.1. Tampilan Hasil Berikut ini dijelaskan tentang tampilan hasil dari sistem informasi identifikasi sepeda motor pada PT. Sumber Jadi Kencana Motor dengan yang dibangun dapat
Lebih terperinciBAB V IMPLEMENTASI DAN PENGUJIAN SISTEM
BAB V IMPLEMENTASI DAN PENGUJIAN SISTEM V.1 Lingkungan Implementasi Lingkungan implementasi meliputi lingkungan perangkat keras (hardware) dan lingkungan perangkat lunak (software) yang digunakan pada
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN IV.1. Hasil Dalam menyajikan hasil dan uji coba pada bab ini, penulis akan menyajikan beberapa tampilan dari aplikasi yang telah dibangun. Tampilan halaman aplikasi ini dibuat
Lebih terperinciSISTEM PENUNJANG KEPUTUSAN PENERIMA BEASISWA DENGAN METODE DESCISION TREE C4.5 Pada SMAK YOS SUDARSO BATU
SISTEM PENUNJANG KEPUTUSAN PENERIMA BEASISWA DENGAN METODE DESCISION TREE C4.5 Pada SMAK YOS SUDARSO BATU Jonathan Rinaldy 1) 1) Program Studi Teknik Informatika, Sekolah Tinggi Informatika & Komputer
Lebih terperinciPENGAMBILAN KEPUTUSAN UNTUK PENENTUAN BEASISWA TEPAT SASARAN MENGGUNAKAN METODE DECISION TREE DI SMK TARUNA BAKTI KERTOSONO
PENGAMBILAN KEPUTUSAN UNTUK PENENTUAN BEASISWA TEPAT SASARAN MENGGUNAKAN METODE DECISION TREE DI SMK TARUNA BAKTI KERTOSONO SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN IV.1. Tampilan Hasil Pada bab ini akan dijelaskan tampilan hasil dari aplikasi yang telah dibuat, yang digunakan untuk memperjelas tentang tampilan-tampilan yang ada pada aplikasi
Lebih terperinciBAB V IMPLEMENTASI DAN PEMBAHASAN. menggunakan Aplikasi Pengelolaan Data Anak Tuna Grahita yaitu:
5. BAB V IMPLEMENTASI DAN PEMBAHASAN 5.1 Sistem Yang Digunakan Berikut ini adalah hardware dan software yang dibutuhkan untuk menggunakan Aplikasi Pengelolaan Data Anak Tuna Grahita yaitu: a. Software
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN IV.1 Tampilan Hasil Berikut ini dijelaskan tentang tampilan hasil dari Sistem Pendukung Keputusan Seleksi Rekrutmen Tenaga Pengajar SMA Swasta Methodist 7 Medan dengan Menggunakan
Lebih terperinciPENERAPAN METODE TSUKAMOTO DALAM PEMBERIAN KREDIT SEPEDA MOTOR BEKAS PADA PT TRI JAYA MOTOR (Studi Kasus PT TRI JAYA MOTOR MEDAN )
Marsono, ISSN : 1978-6603 Saiful Nur Arif, Iskandar Zulkarnain, Penerapan Metode Tsukamoto PENERAPAN METODE TSUKAMOTO DALAM PEMBERIAN KREDIT SEPEDA MOTOR BEKAS PADA PT TRI JAYA MOTOR (Studi Kasus PT TRI
Lebih terperinciSKRIPSI RONNY BENEDIKTUS SIRINGORINGO
ANALISIS PERBANDINGAN PROSES CLUSTER MENGGUNAKAN K- MEANS CLUSTERING DAN K-NEAREST NEIGHBOR PADA PENYAKIT DIABETES MELLITUS SKRIPSI RONNY BENEDIKTUS SIRINGORINGO 131421021 PROGRAM STUDI S1 ILMU KOMPUTER
Lebih terperinciPROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNIK UNIVERSITAS MURIA KUDUS
LAPORAN SKRIPSI PENERAPAN METODE TECHNIQUE FOR ORDER PREFERENCE BY SIMILARITY TO IDEAL SOLUTION (TOPSIS) DALAM PENENTUAN PENGAMBILAN KEPUTUSAN PEMBERIAN KREDIT PADA KJKS BMT FASTABIQ KOTA KUDUS ISMAIL
Lebih terperinciBAB IV HASIL DAN UJI COBA
BAB IV HASIL DAN UJI COBA IV.1. Tampilan Hasil Pada bab ini akan dijelaskan tampilan hasil dari aplikasi yang telah dibuat, yang digunakan untuk memperjelas tentang tampilan-tampilan dari Sistem Informasi
Lebih terperinciBAB IV HASIL DAN UJI COBA
BAB IV HASIL DAN UJI COBA IV.1. Hasil Berikut ini dijelaskan tentang tampilan hasil dari Sistem Informasi Penerimaan Siswa Baru yang dibangun, dapat dilihat sebagai berikut : 1. Tampilan Halaman Utama
Lebih terperinciModel Penentuan Jenis Beasiswa Menggunakan Algoritma K-NN Kombinasi Basis Aturan Dan Basis Pengetahuan
ISSN: 2089-3787 579 Model Penentuan Jenis Beasiswa Menggunakan Algoritma K-NN Kombinasi Basis Aturan Dan Basis Pengetahuan Bahar, Nidia Rosmawanti STMIK Banjarbaru Jl. A. Yani Km. 33,3 Banjarbaru bahararahman@gmail.com,
Lebih terperinciProgram Studi Sistem Informasi, STMIK Widya Cipta Dharma
SISTEM PENDUKUNG KEPUTUSAN PENILAIAN KINERJA KARYAWAN MENGGUNAKAN METODE TOPSIS (TECHNIQUE FOR OTHERS REFERENCE BY SIMILARITY TO IDEAL SOLUTION) PADA PT. RIO UTAMA SAMARINDA BERBASIS INTRANET Amelia Yusnita
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN DENGAN MENERAPKAN METODE ELECTRE DALAM MENENTUKAN PRIORITAS CALON DEBITUR
SISTEM PENDUKUNG KEPUTUSAN DENGAN MENERAPKAN METODE ELECTRE DALAM MENENTUKAN PRIORITAS CALON DEBITUR [1] Cahya Rahmad, [2] Dimas Wahyu Wibowo, [3] Pramana Yoga Saputra [1],[2],[3] Politeknik Negeri Malang
Lebih terperinciBAB IV HASIL DAN UJI COBA
77 BAB IV HASIL DAN UJI COBA IV.1. Tampilan Hasil Berikut ini akan dijelaskan tentang tampilan hasil program dan pembahasan dari Sistem Pendukung Keputusan Untuk Menentukan Pengajuan Kredit Nasabah Berbasis
Lebih terperinciPENERAPAN DATA MINING MENGGUNAKAN ALGORITMA C4.5 UNTUK MEMPREDIKSI KELANCARAN PEMBAYARAN NASABAH. (Studi Kasus: BMT Al Ikhwan) NASKAH PUBLIKASI
PENERAPAN DATA MINING MENGGUNAKAN ALGORITMA C4.5 UNTUK MEMPREDIKSI KELANCARAN PEMBAYARAN NASABAH (Studi Kasus: BMT Al Ikhwan) NASKAH PUBLIKASI diajukan oleh Tria Septia Depi 11.11.5403 kepada JURUSAN TEKNIK
Lebih terperinciBAB IV HASIL DAN UJICOBA
BAB IV HASIL DAN UJICOBA IV.1. Tampilan Hasil Berikut ini dijelaskan mengenai tampilan hasil dari perancangan data mining menggunakan algoritma c4.5 untuk prediksi ketepatan waktu kelulusan mahasiswa pada
Lebih terperinciModel Aplikasi Penentuan Jenis Beasiswa Berbasis Algoritma K-NN Termodifikasi
ISSN: 2089-3787 1181 Model Aplikasi Penentuan Jenis Beasiswa Berbasis Algoritma K-NN Termodifikasi Soegiarto 1, Bahar 2 Program Studi Teknik Informatika, STMIK Banjarbaru Jl. A. Yani Km. 33,3 Banjarbaru
Lebih terperinciPENERAPAN METODE TOPSIS UNTUK SISTEM PENDUKUNG KEPUTUSAN PENENTUAN KELUARGA MISKIN PADA DESA PANCA KARSA II
ISSN print 2087-1716 ISSN online 2548-7779 ILKOM Jurnal Ilmiah Volume 9 Nomor 3 Desember 2017 PENERAPAN METODE TOPSIS UNTUK SISTEM PENDUKUNG KEPUTUSAN PENENTUAN KELUARGA MISKIN PADA DESA PANCA KARSA II
Lebih terperinciJURNAL IMPLEMENTASI DATA MINING DENGAN ALGORITMA C4.5 UNTUK MEMPREDIKSI PRESTASI SISWA
JURNAL IMPLEMENTASI DATA MINING DENGAN ALGORITMA C4.5 UNTUK MEMPREDIKSI PRESTASI SISWA IMPLEMENTATION OF DATA MINING WITH C4.5 ALGORITHM TO PREDICT STUDENT ACHIEVEMENT Oleh: SITI MUHIMATUL KHOIROH NPM
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1. Hasil Berdasarkan hasil penelitian yang telah dilakukan, maka didapatkan sebuah Sistem Penunjang Keputusan untuk Penentuan Penerimaan Bakal Calon Dosen yang dapat berjalan
Lebih terperinciManfaat Pohon Keputusan
DECISION TREE (POHON KEPUTUSAN) Latar Belakang Pohon Keputusan Di dalam kehidupan manusia sehari-hari, manusia selalu dihadapkan oleh berbagai macam masalah dari berbagai macam bidang. Masalah-masalah
Lebih terperinciBAB III ANALISA DAN PERANCANGAN SISTEM
BAB III ANALISA DAN PERANCANGAN SISTEM III.1 Analisis Sistem Analisis sistem merupakan penguraian dari suatu sistem yang utuh kedalam bagian-bagian komponennya dengan maksud untuk mengidentifikasikan dan
Lebih terperinciBAB IV HASIL DAN UJI COBA
BAB IV HASIL DAN UJI COBA IV.1. Tampilan Hasil Berikut ini dijelaskan tentang tampilan hasil dari Sistem Pendukung Keputusan Pemilihan Tipe Sepeda Motor Merek HONDA dengan Metode TOPSIS yang dibangun yaitu
Lebih terperinciAPLIKASI PEMBERIAN KREDIT PADA BANK KALBAR PEMANGKAT MENGGUNAKAN METODE CASE BASED REASONING
APLIKASI PEMBERIAN KREDIT PADA BANK KALBAR PEMANGKAT MENGGUNAKAN METODE CASE BASED REASONING SANDY KOSASI Sekolah Tinggi Manajemen Informatika dan Komputer Pontianak Jln. Merdeka No. 372 Pontianak, Kalimantan
Lebih terperinciANALISIS KELULUSAN MAHASISWA BERDASARKAN NILAI INDEKS PRESTASI MENGGUNAKAN METODE CLASSIFICATION AND REGRESSION TREES (CART)
ANALISIS KELULUSAN MAHASISWA BERDASARKAN NILAI INDEKS PRESTASI MENGGUNAKAN METODE CLASSIFICATION AND REGRESSION TREES (CART) Ahmad Faisal Siregar 1 Rachmat Aulia 2 Jurusan Teknik Informatika Sekolah Tinggi
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PREDIKSI POTENSI KUALITAS KREDIT CALON DEBITUR MENGGUNAKAN METODE K-NEAREST NEIGHBOR PADA BPR KARTASURA MAKMUR DI SUKOHARJO
ISSN : 2338-4018 SISTEM PENDUKUNG KEPUTUSAN PREDIKSI POTENSI KUALITAS KREDIT CALON DEBITUR MENGGUNAKAN METODE K-NEAREST NEIGHBOR PADA BPR KARTASURA MAKMUR DI SUKOHARJO Widi Setyoko (w2t_widy@yahoo.com)
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN TERAPI JUS BUAH DAN SAYUR UNTUK PENYEMBUHAN MACAM PENYAKIT MENGGUNAKAN METODE FUZZY MULTIPLE ATTRIBUTE DECISION MAKING
SKRIPSI SISTEM PENDUKUNG KEPUTUSAN TERAPI JUS BUAH DAN SAYUR UNTUK PENYEMBUHAN MACAM PENYAKIT MENGGUNAKAN METODE FUZZY MULTIPLE ATTRIBUTE DECISION MAKING Oleh : CAHYA MARDANI 2010-51-183 PROGRAM STUDI
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN Bab ini membahas tentang hal-hal yang menjadi latar belakang pembuatan tugas akhir, rumusan masalah, tujuan, batasan masalah, manfaat, metodologi penelitian serta sistematika penulisan
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN IV.1 Tampilan Hasil Berikut adalah tampilan hasil dan pembahasan dari Perancangan Sistem Pendukung Keputusan Pemberian Bonus Berdasarkan Penilaian Kinerja Karyawan Pada PT.
Lebih terperinciIMPLEMENTASI METODE MARKET BASKET ANALYSIS (MBA) PADA APLIKASI E-COMMERCE STUDI KASUS ANANDA SHOP
IMPLEMENTASI METODE MARKET BASKET ANALYSIS (MBA) PADA APLIKASI E-COMMERCE STUDI KASUS ANANDA SHOP 1 RitaSaraswati, 2 Astria Hijriani, M.Kom, 3 Febi Eka Febriansyah,M.T 1 Jurusan Ilmu Komputer FMIPA Unila
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisa Sistem Yang Sedang Berjalan Adanya kegiatan perkreditan pada merupakan salah satu keuntungan bagi pihak penyedia kredit juga pada nasabah. Dalam perkreditan
Lebih terperinciMajalah Ilmiah UPI YPTK, Volume 20, No. 1, Maret
Majalah Ilmiah UPI YPTK, Volume 20, No. 1, Maret 2013 12 PENERAPAN ALGORITMA C 4.5 DALAM MEMPEROLEH DECISION TREE UNTUK MEMPREDIKSI PENENTUAN RESIKO KREDIT PADA BANK BPR BUKITTANDANG MANDIRI PADANG MENGGUNAKAN
Lebih terperinciSISTEM PENILAIAN DOSEN TELADAN MENGGUNAKAN METODE SAW ( SIMPLE ADDITIVE WEIGHTING) DI UNIVERSITAS NUSANTARA PGRI KEDIRI
SISTEM PENILAIAN DOSEN TELADAN MENGGUNAKAN METODE SAW ( SIMPLE ADDITIVE WEIGHTING) DI UNIVERSITAS NUSANTARA PGRI KEDIRI Fatkur Rohman 1), Ahmad Bagus Setiawan 2) 1), 2) Teknik Informatika Universitas Nusantara
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENERIMAAN PEGAWAI MENGGUNAKAN METODE SIMPLE ADDITIVE WEIGHTING STUDI KASUS PT.SURYA ENERGI INDOTAMA (SEI)
SISTEM PENDUKUNG KEPUTUSAN PENERIMAAN PEGAWAI MENGGUNAKAN METODE SIMPLE ADDITIVE WEIGHTING STUDI KASUS PT.SURYA ENERGI INDOTAMA (SEI) Erwin Teguh Arujisaputra 1, Muhammad Faris Faiz 2 1 Program Studi Sistem
Lebih terperinci48 Jurnal Informatika Mulawarman Vol. 11, No. 2, September 2016 ISSN
48 Jurnal Informatika Mulawarman Vol. 11, No. 2, September 2016 IMPLEMENTASI TECHNIQUE FOR ORDER PREFERENCES BY SIMILARY TO IDEAL SOLUTION (TOPSIS) PADA SELEKSI ASISTEN LABORATORIUM (Studi kasus : Laboratorium
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PEMBERIAN KREDIT TANPA AGUNAN (KTA) PADA STANDARD CHARTERED BANK. Lukas Prasetyo, Muji Sukur, Sunardi.
SISTEM PENDUKUNG KEPUTUSAN PEMBERIAN KREDIT TANPA AGUNAN (KTA) PADA STANDARD CHARTERED BANK Lukas Prasetyo, Muji Sukur, Sunardi. Abstrak Sistem yang sedang berjalan saat ini ditemukan adanya kekurangan-
Lebih terperinci