Implementasi Algoritme Random Forest Pada Klasifikasi Dataset Credit Approval
DOI:
https://doi.org/10.25008/janitra.v1i1.118Keywords:
Data Mining, Klasifikasi, Random Forest, Credit ApprovalAbstract
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.
Downloads
References
I. H. Witten, E. Frank, and M. A. Hall, Data Mining: Practical Machine Learning Tools and Techniques, 3rd ed. San Francisco, CA, USA: Morgan Kaufmann Publishers Inc., 2011.
Fadhilah Ahmad, N. H. Ismail, and Azwa Abdul Aziz, "The prediction of students' academic performance using classification data mining techniques," Appl. Math. Sci., vol. 9, no. 129, pp. 6415–6426, 2015, doi: 10.12988/ams.2015.53289.
Y. Pristyanto, S. Adi, and A. Sunyoto, "The effect of feature selection on classification algorithms in credit approval," 2019 Int. Conf. Inf. Commun. Technol. ICOIACT 2019, pp. 451–456, 2019, doi: 10.1109/ICOIACT46704.2019.8938523.
H. D. Honesqi, "Klasifikasi Data Mining Untuk Menentukan Tingkat Persetujuan Kartu Kredit," J. Teknoif, vol. 5, no. 2, pp. 57–62, 2017, doi: 10.21063/jtif.2017.v5.2.57-62.
Y. Pristyanto, "Penerapan Metode Ensemble Untuk Meningkatkan Kinerja Algoritme Klasifikasi Pada Imbalanced Dataset," J. TEKNOINFO, vol. 13, no. 1, pp. 11–16, 2019, doi: 10.33365/jti.
D. A. Kurniawan and D. Kriestanto, "Penerapan Naive Bayes Untuk Prediksi Kelayakan Kredit," JIKO (Jurnal Inform. dan Komputer), vol. 1, no. 1, pp. 19–23, 2016, doi: 10.26798/jiko.2016.v1i1.10.
N. Iriadi and N. Nuraeni, "Kajian Penerapan Metode Klasifikasi Data Kelayakan Kredit Pada Bank," J. Tek. Komput. AMIK BSI, vol. II, no. 1, pp. 132–137, 2016.
N. Hadianto, H. B. Novitasari, and A. Rahmawati, "Klasifikasi Peminjaman Nasabah Bank Menggunakan Metode Neural Network," J. Pilar Nusa Mandiri, vol. 15, no. 2, pp. 163–170, 2019, doi: 10.33480/pilar.v15i2.658.
I. Menarianti, "Klasifikasi data mining dalam menentukan pemberian kredit bagi nasabah koperasi," J. Ilm. Teknosains, vol. 1, no. 1, pp. 1–10, 2015, [Online]. Available: http://e-jurnal.upgrismg.ac.id/index.php/JITEK/article/view/836.
S. Dewi, "Komparasi Metode Algoritma Data Mining pada Prediksi Uji Kelayakan Credit Approval pada Calon Nasabah Kredit Perbankan," J. Khatulistiwa Inform., vol. 7, no. 1, pp. 59–65, 2019, doi: 10.31294/jki.v7i1.5744.
K. Gao, T. Khoshgoftaar, and A. Napolitano, "Exploring software quality classification with a wrapper-based feature ranking technique," in Proceedings - International Conference on Tools with Artificial Intelligence, ICTAI, 2009, pp. 67–74, doi: 10.1109/ICTAI.2009.24.
A. Winursito, R. Hidayat, A. Bejo, and M. N. Y. Utomo, "Feature Data Reduction o f MFCC Using PCA and SVD in Speech Recognition System," in 2018 International Conference on Smart Computing and Electronic Enterprise (ICSCEE), 2018, pp. 1–6.
W. Punlumjeak and N. Rachburee, "A Comparative Study of Feature Selection Techniques for Classify Student Performance," in 2015 7th International Conference on Information Technology and Electrical Engineering (ICITEE), 2015, pp. 425–429, doi: 10.1109/ICMLA.2010.27.
Y. I. Kurniawan and T. I. Barokah, "Klasifikasi Penentuan Pengajuan Kartu Kredit Menggunakan K-Nearest Neighbor," J. Ilm. Matrik, vol. 22, no. 1, pp. 73–82, 2020, doi: 10.33557/jurnalmatrik.v22i1.843.
N. Nurajijah and D. Riana, "Algoritma Naïve Bayes, Decision Tree, dan SVM untuk Klasifikasi Persetujuan Pembiayaan Nasabah Koperasi Syariah," J. Teknol. dan Sist. Komput., vol. 7, no. 2, pp. 77–82, 2019, doi: 10.14710/jtsiskom.7.2.2019.77-82.
Y. Sun, M. S. Kamel, A. K. C. Wong, and Y. Wang, "Cost-sensitive boosting for classification of imbalanced data," Pattern Recognit., vol. 40, no. 12, pp. 3358–3378, 2007, doi: 10.1016/j.patcog.2007.04.009.
R. Longadge and S. Dongre, "Class Imbalance Problem in Data Mining Review," Int. J. Comput. Sci. Netw., vol. 2, no. 1, pp. 83–87, 2013, doi: 10.1109/SIU.2013.6531574.
D. Zhang, W. Liu, X. Gong, and H. Jin, "A Novel Improved SMOTE Resampling Algorithm Based on Fractal," in Advanced Data Mining and Applications - 7th International Conference, 2011, pp. 83–96.
D. Dua and E. Karra Taniskidou, "UCI Machine Learning Repository." 2017, [Online]. Available: http://archive.ics.uci.edu/ml.
Y. Pristyanto and I. Pratama, "Missing values estimation on multivariate dataset: Comparison of three type methods approach," 2019 Int. Conf. Inf. Commun. Technol. ICOIACT 2019, pp. 342–347, 2019, doi: 10.1109/ICOIACT46704.2019.8938472.
L. Breiman, "Random Forests," Mach. Learn., vol. 45, no. 1, pp. 5–32, Oct. 2001, doi: 10.1023/A:1010933404324.
T. Lu, Y. Huang, W. Zhao, and J. Zhang, "The Metering Automation System based Intrusion Detection Using Random Forest Classifier with SMOTE+ENN," in Proceedings of IEEE 7th International Conference on Computer Science and Network Technology, ICCSNT 2019, 2019, pp. 370–374, doi: 10.1109/ICCSNT47585.2019.8962430.
J. Han, M. Kamber, and J. Pei, Data Mining : Concept and Techniques, Third Edit. Massachusetts: Morgan Kauffman, 2011.
E. Sutoyo and M. A. Fadlurrahman, “Penerapan SMOTE untuk Mengatasi Imbalance Class dalam Klasifikasi Television Advertisement Performance Rating Menggunakan Artificial Neural Network,” JEPIN (Jurnal Edukasi dan Penelit. Inform., vol. 6, no. 3, pp. 379–385.
A. Nurmasani and Y. Pristyanto, "ALGORITME STACKING UNTUK KLASIFIKASI PENYAKIT JANTUNG PADA DATASET IMBALANCED CLASS Atik," J. Pseudocode, vol. VIII, no. Februari, pp. 21–26, 2021.
Downloads
Published
Issue
Section
License
Copyright (c) 2021 Nur Widjiyati
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.