Perbandingan Klasifikasi Data Mining Untuk Prediksi Kredit Macet Dengan Menggunakan Metode Naïve Bayes Dan K – Nearest Neighbors (Studi Kasus: Bank BUMN Di Daerah Jawa Barat)

Sari

Bank merupakan entitas bisnis yang mengumpulkan dana dari masyarakat dalam bentuk tabungan dan mengalokasikannya kembali kepada masyarakat dalam bentuk pinjaman atau bentuk lainnya dengan tujuan meningkatkan kesejahteraan masyarakat.  Dalam dunia perbankan, layanan kredit dengan agunan atau jaminan merupakan hal yang sangat biasa dimasyarakat meski sering memberikan resiko tinggi. Dalam pelaksanaannya, kemunculan masalah kredit yang macet atau gagal bayar sering disebabkan oleh kurangnya ke telitian atau ketidakhati-hatian dalam melakukan analisis kredit, terutama ketika proses tersebut masih dilakukan secara manual. Demi mengatasi masalah itu, dibutuhkanlah sebuah sistem komputer yang dapat mempelajari data historis dari peminjam kredit. Salah satu solusi yang dapat diimplementasikan adalah melalui penerapan teknik data mining sebagai rangkaian langkah untuk mengungkap nilai tambah dari suatu set data, yang sebelumnya tidak teridentifikasi secara manual. Bank dapat menghindari kredit macet dengan membuat prediksi dari nasabah yang berpotensi terlambat membayar kredit. Berdasarkan hal tersebut, penulis mencoba membandingkan dua metode klasifikasi data mining untuk menganalisa prediksi kredit macet dengan metode K – NN DAN Naïve Bayes. Data – data nasabah yang telah melalui tahapan data mining akan diproses menggunakan confusion matrix. Hasil yang didapat dari perbandingan kedua algoritma ini adalah, algoritma Naïve Bayes memiliki tingkat akurasi sebesar 70,59% sedangkan algoritma k – Nearest Neighbors memiliki tingkat akurasi sebesar 93,14%.