328
Progresif: Jurnal Ilmiah Komputer Jl.
Ahmad Yani.
33,5 - Kampus STMIK Banjarbaru Loktabat Ae Banjarbaru (Tlp.
, e-mail: puslit.
stmikbjb@gmail.
e-ISSN: 2685-0877 p-ISSN: 0216-3284 Klasifikasi Penentuan Pengajuan Kartu Kredit Nasabah Pada Bank Mandiri Dengan Metode Naive Bayes Miftah Fadhli AsAoad1*.
Lut Faizal2.
Fajar Maulana Natsir3.
Asrul Paelori Ahmad4 Sistem dan Teknologi Informasi.
Universitas Muhammadiyah Sinjai.
Sinjai.
Indonesia *e-mail Corresponding Author: Miftah.
fadhli19@gmail.
Abstract The selection process for credit card applications is a challenge for banks because it still relies heavily on manual evaluation which is prone to subjectivity and inefficiency.
This research aims to develop a classification system for credit card applications using the Naive Bayes method to increase accuracy and efficiency in the customer selection process.
This method classifies customers based on main parameters such as income, credit history, number of dependents, employment status, and home ownership status.
The developed model was tested using a dataset consisting of 166 training data and 20 test data, resulting in 85% accuracy, 86.
recall and 93% precision.
These results indicate that the Naive Bayes method can be an effective solution in helping banks automate the credit card application evaluation process with a high level of accuracy.
Keywords: Credit Card.
Naive Bayes.
Classification Abstrak Proses seleksi pengajuan kartu kredit merupakan tantangan bagi perbankan karena masih banyak bergantung pada evaluasi manual yang rentan terhadap subjektivitas dan Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi pengajuan kartu kredit dengan metode Naive Bayes guna meningkatkan akurasi dan efisiensi dalam proses seleksi nasabah.
Metode ini mengklasifikasikan nasabah berdasarkan parameter utama seperti pendapatan, riwayat kredit, jumlah tanggungan, status pekerjaan, dan status kepemilikan rumah.
Model yang dikembangkan diuji menggunakan dataset yang terdiri dari 166 data latih dan 20 data uji, menghasilkan akurasi 85%, recall 86,67%, dan precision 93%.
Hasil ini menunjukkan bahwa metode Naive Bayes dapat menjadi solusi yang efektif dalam membantu bank mengotomatisasi proses evaluasi pengajuan kartu kredit dengan tingkat akurasi yang tinggi.
Kata kunci: Kartu Kredit.
Naive bayes.
Klasifikasi Pendahuluan Dalam dunia perbankan, klasifikasi pengajuan kartu kredit menjadi hal yang sangat penting untuk mengurangi risiko kredit macet dan memastikan stabilitas keuangan lembaga Bank sebagai penyedia layanan kartu kredit harus mampu mengelola proses seleksi nasabah secara efisien dan akurat.
Dengan meningkatnya jumlah pengajuan kartu kredit, bank membutuhkan sistem yang lebih cerdas dan otomatis dalam menilai kelayakan nasabah guna mempercepat proses pengambilan keputusan serta menghindari risiko kesalahan manusiawi.
Saat ini, proses penentuan kelayakan pengajuan kartu kredit di Bank Mandiri masih banyak mengandalkan evaluasi manual dan sistem berbasis aturan konvensional.
Pendekatan ini sering kali menghadapi tantangan, seperti ketidakakuratan dalam menilai kemampuan finansial nasabah, subjektivitas dalam pengambilan keputusan, serta waktu pemrosesan yang Idealnya, keputusan pengajuan kartu kredit harus dilakukan secara objektif berdasarkan data historis dan indikator keuangan yang jelas.
Namun, kesenjangan antara sistem evaluasi manual dengan kebutuhan akan kecepatan dan akurasi menimbulkan permasalahan yang harus segera diselesaikan.
Proses ini bertujuan untuk meminimalkan risiko kredit macet dan memastikan bahwa fasilitas kredit diberikan kepada individu yang memenuhi syarat.
Klasifikasi Penentuan Pengajuan Kartu Kredit Nasabaha.
Miftah Fadhli AsAoad Progresif e-ISSN: 2685-0877 Metode Naive Bayes dapat diterapkan untuk mengklasifikasikan kelayakan pengajuan kartu kredit secara lebih sistematis dan berbasis data.
Naive Bayes merupakan metode klasifikasi probabilistik yang dapat memprediksi kemungkinan persetujuan pengajuan kartu kredit berdasarkan variabel-variabel seperti pendapatan, riwayat kredit, dan faktor lainnya .
Metode ini terbukti memiliki kinerja yang baik dalam analisis data berskala besar serta dapat diterapkan dengan efisien dalam sistem perbankan untuk meningkatkan akurasi keputusan Penelitian ini bertujuan untuk mengimplementasikan metode Naive Bayes dalam klasifikasi pengajuan kartu kredit di Bank Mandiri.
Manfaat dari penelitian ini antara lain adalah meningkatkan efisiensi proses persetujuan kredit, mengurangi kesalahan keputusan berbasis subjektivitas, serta memberikan sistem yang lebih akurat dalam menilai kelayakan nasabah.
Dengan penerapan metode ini, diharapkan proses seleksi kartu kredit menjadi lebih cepat dan transparan bagi kedua belah pihak, baik bank maupun nasabah.
Tinjauan Pustaka Kartu kredit telah menjadi instrumen keuangan yang penting dalam transaksi modern, memungkinkan konsumen melakukan pembelian dengan fleksibilitas pembayaran.
Namun, bagi bank seperti Bank Mandiri, proses penentuan kelayakan pengajuan kartu kredit oleh nasabah merupakan tantangan tersendiri.
Analisis yang akurat diperlukan untuk menilai risiko dan memastikan bahwa fasilitas kredit diberikan kepada individu yang memenuhi syarat.
Beberapa penelitian sebelumnya telah dilakukan untuk mengembangkan sistem klasifikasi dalam pengajuan kartu kredit dan bidang keuangan lainnya.
Misalnya, penelitian yang dilakukan oleh .
mengkaji penggunaan metode statistik dalam klasifikasi risiko kredit.
Dalam penelitian ini, mereka menggunakan regresi logistik dan decision tree untuk menilai kelayakan nasabah berdasarkan riwayat kredit, pendapatan, dan status pekerjaan.
Hasil penelitian menunjukkan bahwa pendekatan berbasis model prediktif lebih akurat dibandingkan dengan sistem berbasis aturan manual.
Penelitian lain mengeksplorasi penggunaan machine learning dalam analisis kredit Mereka mengembangkan model klasifikasi menggunakan Support Vector Machine (SVM) dan Random Forest untuk menentukan kelayakan kredit .
Variabel utama yang digunakan dalam penelitian ini mencakup riwayat pembayaran, total hutang, dan rasio pendapatan terhadap hutang.
Hasilnya menunjukkan bahwa model berbasis machine learning mampu meningkatkan akurasi prediksi dibandingkan metode konvensional.
Sementara itu penelitian yang lain terkait klasifikasi kelayakan kredit dengan membandingkan berbagai algoritma machine learning, termasuk Naive Bayes.
Neural Networks, dan Decision Tree.
Mereka menemukan bahwa Naive Bayes memiliki keunggulan dalam efisiensi komputasi serta tetap mempertahankan tingkat akurasi yang tinggi, terutama dalam dataset dengan variabel kategori yang kompleks.
Selanjutnya, penelitian membahas penerapan metode data mining dalam evaluasi aplikasi kartu kredit.
Mereka menggunakan teknik clustering dan klasifikasi untuk mengidentifikasi pola nasabah yang memiliki risiko kredit tinggi.
Dengan menggunakan dataset dari institusi perbankan, mereka membuktikan bahwa kombinasi antara metode supervised dan unsupervised learning dapat meningkatkan kemampuan prediksi dalam sistem evaluasi kredit .
Penelitian terbaru mengusulkan pengembangan model hybrid yang menggabungkan Naive Bayes dengan deep learning untuk meningkatkan akurasi dalam klasifikasi kredit.
Model ini memanfaatkan teknik feature extraction dari deep learning untuk memperbaiki representasi data sebelum digunakan dalam klasifikasi Naive Bayes.
Hasil eksperimen menunjukkan bahwa kombinasi metode ini mampu memberikan performa lebih baik dalam mendeteksi pengajuan kartu kredit yang berisiko tinggi .
Secara keseluruhan, penelitian saat ini berfokus pada penggabungan metode klasik seperti Naive Bayes dengan pendekatan yang lebih canggih seperti deep learning dan ensemble learning guna meningkatkan akurasi prediksi dalam klasifikasi pengajuan kartu kredit.
Peningkatan ini mencakup optimalisasi dalam seleksi fitur, pemrosesan data yang lebih baik, serta pengembangan model yang lebih adaptif terhadap variasi pola pengajuan kredit.
Oleh karena itu, penelitian ini akan berkontribusi dalam memperkaya metode klasifikasi dengan pendekatan Naive Bayes yang lebih efisien dan dapat diterapkan dalam sistem perbankan Klasifikasi Penentuan Pengajuan Kartu Kredit Nasabaha.
Miftah Fadhli AsAoad e-ISSN: 2685-0877 Metodologi 1 Algoritma Nayve Bayes Classifier Metode Naive Bayes diterapkan untuk membangun model klasifikasi pengajuan kartu kredit berdasarkan data nasabah.
Algoritma ini bekerja dengan menghitung probabilitas bersyarat antara atribut nasabah, seperti pendapatan, pekerjaan, dan riwayat kredit, untuk menentukan kelas keputusan .
iterima atau ditola.
Kesederhanaan dan efisiensi algoritma membuatnya cocok untuk dataset besar dengan atribut yang saling independen.
Salah satu metode dalam klasifikasi data adalah Nayve Bayes Classifier (NBC).
Nayve Bayes Classifier merupakan salah satu metode machine learning yang memanfaatkan perhitungan probabilitas dan statistik yang dikemukakan oleh ilmuwan Inggris Thomas Bayes.
Formula Matematis Algoritma Naive Bayes Algoritma Naive Bayes didasarkan pada Teorema Bayes.
Keterangan:
X = Data dengan class yang belum diketahui C = Hipotesis data merupakan suatu class spesifik
P(C|X)
= Probabilitas hipotesis C berdasar kondisi X .
P(C) = Probabilitas hipotesis C .
rior probabilita.
P(X|C) = Probabilitas X berdasarkan kondisi pada hipotesis C
P(X)
= Probabilitas X 2 Pembagian Data Set Pembagian data dilakukan secara acak menggunakan fungsi pemisahan dataset yang tersedia dalam perangkat lunak statistik.
Langkah ini memastikan distribusi data antara training dan testing tetap representatif.
Selain itu, metode stratifikasi digunakan untuk menjaga proporsi kelas target, terutama jika dataset memiliki ketidakseimbangan.
Setelah data dikumpulkan, kemudian data tersebut dianalisis untuk menentukan variabel-variabel yang mana saja yang dapat digunakan dari data nasabah kartu kredit tersebut untuk diterapkan kedalam Aplikasi Rapidminer.
Adapun variabelnya anata lain sebagai berikut :
Fitur Input : Jenis Kelamin.
Status Rumah.
Status.
Jumlah Tanggungan.
Status pegawai.
Penghasilan Perbulan.
Targer Output : Kartu Kredit (Tidak dapat.
Silver.
Master.
Priorita.
Ukuran Data : 166 Data Latih dan 20 Data Uji 3 Pengolahan Data/Pra Pemprosesan Tahap pra-pemrosesan data bertujuan untuk memastikan bahwa data yang digunakan dalam penelitian bersih, lengkap, dan relevan.
Langkah-langkah yang dilakukan meliputi penghapusan data duplikat, pengisian nilai yang hilang menggunakan metode imputasi, serta normalisasi data untuk menyamakan skala antar atribut, ini dilakukan meningkatkan akurasi algoritma Naive Bayes.
Selain itu, atribut-atribut yang tidak relevan atau memiliki korelasi rendah dengan target klasifikasi akan dieliminasi.
Data yang telah diproses kemudian dibagi menjadi dua bagian data training dan data testing.
Langkah ini memastikan model dapat dilatih dan diuji secara optimal, menghasilkan performa algoritma klasifikasi yang andal.
Menggunakan RapidMiner untuk melatih model Naive Bayes dengan pendekatan supervised learning.
Aplikasi ini menyediakan operator seperti Retrieve Data.
Naive Bayes, dan Performance Evaluation yang memungkinkan integrasi algoritma secara efisien.
Variabel X1 : Jenis Kelamin X2 : Status Rumah X3 : Status X4: Jumlah Tanggungan Tabel 1.
Variabel Penelitian Tipe Value Binomial L dan P Polynomial Milik Sendiri.
Milik Keluarga dan Kontrak Binomial Kawin dan Belum Kawin Polynomial 0,1,2, dan >=3 Progresif: Vol.
No.
Februari 2025: 328-338 Progresif Variabel X5 : Status Pegawai X6 : Penghasilan Perbulan Tipe Binomial Polynomial X7 : Kartu Kredit Polynomial e-ISSN: 2685-0877 Value Tetap dan Tidak Tetap 0 Ae 2999999, 3000000 Ae 5000000, 5000000 Ae 9999999, dan >=10000000 Tidak Dapat.
Silver.
Master, dan Prioritas 4 Penerapan Nayve Bayes Algoritma klasifikasi berbasis probabilistik yang banyak digunakan dalam berbagai bidang, termasuk dalam penentuan kelayakan pengajuan kartu kredit.
Dengan kemampuannya dalam menangani data dengan jumlah besar dan memberikan hasil yang cepat serta cukup akurat.
Naive Bayes menjadi sangat efektif untuk mendukung sistem pengambilan keputusan dalam perbankan.
Tabel 1 Data Training Nasabah Kartu Kredit Bank Mandiri Status Rumah
Status
milik sendiri milik keluarga milik keluarga milik sendiri milik sendiri milik sendiri milik keluarga milik sendiri milik sendiri milik keluarga milik sendiri milik keluarga milik keluarga milik keluarga milik sendiri milik keluarga milik sendiri milik sendiri milik keluarga milik sendiri milik sendiri milik sendiri milik keluarga milik sendiri milik keluarga milik sendiri milik keluarga milik keluarga milik keluarga milik sendiri milik keluarga milik sendiri milik sendiri milik sendiri milik keluarga milik sendiri milik sendiri belum kawin
belum kawin
belum kawin
belum kawin
belum kawin
belum kawin
belum kawin
belum kawin
belum kawin
belum kawin
belum kawin
belum kawin
belum kawin
belum kawin
belum kawin
belum kawin
belum kawin
belum kawin
belum kawin
belum kawin
belum kawin
belum kawin
belum kawin
belum kawin
belum kawin
belum kawin
Jumlah Tanggungan >=3 >=3 >=3 >=3 >=3 >=3 >=3 >=3 >=3 >=3 >=3 >=3 Status
Pegawai tidak tetap tidak tetap tidak tetap tidak tetap tidak tetap tidak tetap tidak tetap tidak tetap tidak tetap tidak tetap tidak tetap tidak tetap tidak tetap tidak tetap tidak tetap tidak tetap tidak tetap tidak tetap Penghasilan Perbulan 3000000 - 4999999
5000000 - 9999999
3000000 - 4999999
0 - 2999999
3000000 - 4999999
3000000 - 4999999
3000000 - 4999999
0 - 2999999
5000000 - 9999999
>=10000000
5000000 - 9999999
3000000 - 4999999
5000000 - 9999999
3000000 - 4999999
5000000 - 9999999
3000000 - 4999999
0 - 2999999
0 - 2999999
3000000 - 4999999
3000000 - 4999999
5000000 - 9999999
>=10000000
3000000 - 4999999
0 - 2999999
5000000 - 9999999
3000000 - 4999999
3000000 - 4999999
0 - 2999999
3000000 - 4999999
0 - 2999999
>=10000000
>=10000000
3000000 - 4999999
5000000 - 9999999
3000000 - 4999999
3000000 - 4999999
3000000 - 4999999
5000000 - 9999999
5000000 - 9999999
>=10000000
3000000 - 4999999
3000000 - 4999999
0 - 2999999
3000000 - 4999999
0 - 2999999
5000000 - 9999999
3000000 - 4999999
3000000 - 4999999
0 - 2999999
3000000 - 4999999
3000000 - 4999999
5000000 - 9999999
5000000 - 9999999
5000000 - 9999999
Kartu Kredit tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat Klasifikasi Penentuan Pengajuan Kartu Kredit Nasabaha.
Miftah Fadhli AsAoad e-ISSN: 2685-0877 Status Rumah Status milik sendiri milik keluarga milik keluarga milik keluarga milik sendiri milik keluarga milik keluarga milik keluarga milik keluarga milik sendiri milik keluarga milik keluarga milik keluarga milik sendiri milik sendiri milik sendiri milik keluarga milik keluarga milik keluarga milik keluarga milik sendiri milik keluarga milik keluarga milik sendiri milik keluarga milik sendiri milik keluarga milik sendiri milik keluarga milik keluarga milik sendiri milik keluarga milik keluarga milik sendiri milik sendiri milik keluarga milik keluarga milik sendiri milik keluarga milik sendiri milik keluarga milik sendiri milik sendiri milik keluarga milik sendiri milik keluarga milik keluarga milik sendiri milik sendiri milik sendiri milik sendiri milik sendiri milik keluarga belum kawin belum kawin belum kawin belum kawin belum kawin belum kawin belum kawin belum kawin belum kawin belum kawin belum kawin belum kawin belum kawin belum kawin belum kawin belum kawin belum kawin belum kawin belum kawin belum kawin Jumlah Tanggungan >=3 >=3 >=3 >=3 >=3 >=3 >=3 >=3 >=3 >=3 >=3 >=3 >=3 >=3 >=3 >=3 >=3 Progresif: Vol.
No.
Februari 2025: 328-338
Status
Pegawai tidak tetap tidak tetap tidak tetap tidak tetap tidak tetap tidak tetap tidak tetap tidak tetap tidak tetap tidak tetap tidak tetap tidak tetap tidak tetap tidak tetap tidak tetap tidak tetap tidak tetap tidak tetap Penghasilan Perbulan 5000000 - 9999999
5000000 - 9999999
5000000 - 9999999
5000000 - 9999999
5000000 - 9999999
0 - 2999999
5000000 - 9999999
3000000 - 4999999
5000000 - 9999999
3000000 - 4999999
3000000 - 4999999
3000000 - 4999999
3000000 - 4999999
3000000 - 4999999
3000000 - 4999999
3000000 - 4999999
5000000 - 9999999
5000000 - 9999999
5000000 - 9999999
0 - 2999999
3000000 - 4999999
0 - 2999999
3000000 - 4999999
0 - 2999999
3000000 - 4999999
3000000 - 4999999
3000000 - 4999999
5000000 - 9999999
5000000 - 9999999
3000000 - 4999999
3000000 - 4999999
3000000 - 4999999
3000000 - 4999999
3000000 - 4999999
>=10000000
3000000 - 4999999
3000000 - 4999999
3000000 - 4999999
3000000 - 4999999
3000000 - 4999999
>=10000000
5000000 - 9999999
>=10000000
>=10000000
>=10000000
5000000 - 9999999
5000000 - 9999999
5000000 - 9999999
3000000 - 4999999
3000000 - 4999999
3000000 - 4999999
3000000 - 4999999
3000000 - 4999999
>=10000000
3000000 - 4999999
3000000 - 4999999
3000000 - 4999999
>=10000000
>=10000000
3000000 - 4999999
3000000 - 4999999
5000000 - 9999999
5000000 - 9999999
3000000 - 4999999
5000000 - 9999999
>=10000000
5000000 - 9999999
5000000 - 9999999
>=10000000
>=10000000
Kartu
Kredit
tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat Progresif
e-ISSN: 2685-0877
Status Rumah
Status
milik sendiri milik sendiri milik sendiri milik keluarga milik sendiri milik keluarga milik sendiri milik sendiri milik keluarga milik keluarga milik sendiri milik keluarga milik keluarga milik keluarga milik keluarga milik keluarga milik sendiri milik sendiri milik sendiri milik keluarga milik keluarga milik keluarga milik sendiri milik keluarga milik keluarga milik keluarga milik keluarga belum kawin
belum kawin
belum kawin
belum kawin
belum kawin
belum kawin
belum kawin
belum kawin
belum kawin
belum kawin
belum kawin
belum kawin
belum kawin
belum kawin
belum kawin
belum kawin
Status Rumah
Status
milik sendiri milik keluarga milik keluarga milik sendiri milik sendiri milik keluarga milik keluarga milik sendiri milik keluarga milik sendiri belum kawin
belum kawin
Jumlah Tanggungan >=3 >=3 >=3 >=3 >=3 >=3 >=3 >=3 >=3 Status
Pegawai tidak tetap tidak tetap tidak tetap tidak tetap tidak tetap tidak tetap tidak tetap tidak tetap tidak tetap tidak tetap tidak tetap tidak tetap tidak tetap Penghasilan Perbulan >=10000000 >=10000000 >=10000000 3000000 - 4999999
3000000 - 4999999
3000000 - 4999999
3000000 - 4999999
3000000 - 4999999
5000000 - 9999999
5000000 - 9999999
5000000 - 9999999
5000000 - 9999999
0 - 2999999
3000000 - 4999999
0 - 2999999
>=10000000
5000000 - 9999999
>=10000000
5000000 - 9999999
5000000 - 9999999
5000000 - 9999999
3000000 - 4999999
5000000 - 9999999
>=10000000
5000000 - 9999999
>=10000000
>=10000000
>=10000000
5000000 - 9999999
5000000 - 9999999
>=10000000
5000000 - 9999999
3000000 - 4999999
5000000 - 9999999
>=10000000
>=10000000
>=10000000
5000000 - 9999999
>=10000000
5000000 - 9999999
5000000 - 9999999
>=10000000
Kartu
Kredit
tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat Penghasilan Perbulan 3000000 - 4999999
3000000 - 4999999
0 - 2999999
3000000 - 4999999
3000000 - 4999999
>=10000000
5000000 - 9999999
>=10000000
>=10000000
5000000 - 9999999
>=10000000
3000000 - 4999999
3000000 - 4999999
5000000 - 9999999
3000000 - 4999999
3000000 - 4999999
>=10000000
>=10000000
3000000 - 4999999
5000000 - 9999999
Kartu Kredit tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat tidak dapat Tabel 2 Data testing yang digunakan Jumlah Tanggungan >=3 >=3 >=3 >=3 >=3 Status Pegawai tidak tetap tidak tetap tidak tetap tidak tetap tidak tetap tidak tetap Klasifikasi Penentuan Pengajuan Kartu Kredit Nasabaha.
Miftah Fadhli AsAoad e-ISSN: 2685-0877 4 Perhitungan Klasifikasi Naive Bayes Berdasarkan teori Naive Bayes kita dapat melakukan perhitungan data klasifikasi dari data treining yang kita miliki pada tabel 1 dan perhitungan klasifikasi nasabah kartu Bank Mandiri pada tabel 2 dapat dihitung sebagai berikut Menghitung Jumlah Class P(Kartu Kredit "Tidak Terima") P(Kartu Kredit "Silver") P(Kartu Kredit "Master") P(Kartu Kredit "Prioritas") = 0,333 = 0,200 = 0,267 = 0,200 Menghitung data testing dengan class yang sama P(JK "L" | Kartu Kredit "Tidak Terima") = 0,600 P(JK "L" | Kartu Kredit "Silver") = 0,667 P(JK "L" | Kartu Kredit "Master") = 0,500 P(JK "L" | Kartu Kredit "Prioritas") = 0,333 P(Status Rumah "Milik Sendiri" | Kartu Kredit "Tidak Terima") P(Status Rumah "Milik Sendiri" | Kartu Kredit "Silver") P(Status Rumah "Milik Sendiri" | Kartu Kredit "Master") P(Status Rumah "Milik Sendiri" | Kartu Kredit "Prioritas") = 0,600 = 0,333 = 0,500 = 0,667 P(Status "Kawin" | Kartu Kredit "Tidak Terima") P(Status "Kawin" | Kartu Kredit "Silver") P(Status "Kawin" | Kartu Kredit "Master") P(Status "Kawin" | Kartu Kredit "Prioritas") = 0,600 = 0,667 = 0,500 = 0,667 P(Jumlah Tanggungan "1" | Kartu Kredit "Tidak Terima") P(Jumlah Tanggungan "1" | Kartu Kredit "Silver") P(Jumlah Tanggungan "1" | Kartu Kredit "Master") P(Jumlah Tanggungan "1" | Kartu Kredit "Prioritas") = 0,200 = 0,333 = 0,250 = 0,333 P(Status Pegawai "Tetap" | Kartu Kredit "Tidak Terima") P(Status Pegawai "Tetap" | Kartu Kredit "Silver") P(Status Pegawai "Tetap" | Kartu Kredit "Master") P(Status Pegawai "Tetap" | Kartu Kredit "Prioritas") = 0,400 = 0,667 = 0,750 = 0,667 P(Penghasilan Perbulan"5000000-9999999" | Kartu Kredit "Tidak Terima") = 0,600 P(Penghasilan Perbulan"5000000-9999999" | Kartu Kredit "Silver") = 1,000 P(Penghasilan Perbulan"5000000-9999999" | Kartu Kredit "Master") = 0,000 P(Penghasilan Perbulan"5000000-9999999" | Kartu Kredit "Prioritas") = 0,000 Perhitungan probabilitas berdasarkan kondisi class P(X | Kartu Kredit "Tidak Terima") = 0,010 P(X | Kartu Kredit "Silver Card") = 0,033 P(X | Kartu Kredit "Master Card") = 0,000 P(X | Kartu Kredit "Prioritas Card") = 0,000 Hasil dari perhitungan Probabilitas P(X| Kartu Kredit "Tidak Terima") * P(Kartu Kredit "Tidak Terima") = 0,006 P(X | Kartu Kredit "Silver") * P(Kartu Kredit "Silver") = 0,022 P(X | Kartu Kredit "Master") * P(Kartu Kredit "Master") = 0,000 P(X| Kartu Kredit "Prioritas") * P(Kartu Kredit "Prioritas") = 0,000 5 Evalusasi Model Evaluasi model dilakukan untuk menilai kinerja algoritma Naive Bayes dalam mengklasifikasikan pengajuan kartu kredit.
Metrik yang digunakan meliputi akurasi, precision.
Akurasi mengukur persentase prediksi yang benar, sementara precision dan recall Progresif: Vol.
No.
Februari 2025: 328-338 Progresif e-ISSN: 2685-0877 digunakan untuk mengevaluasi keseimbangan antara prediksi positif yang benar dan cakupan klasifikasi positif Dari hasil perhitungan, terlihat bahwa nilai probabilitas yang tertinggi adalah Kartu Kredit AuSilverAy maka dapat disimpulkan bahwa nasabah pengajuan kartu kredit dapat diklasifikasikan yaitu mendapatkan AuKartu KreditAy.
Hasil dan Pembahasan Model yang telah dikembangkan di uji keakuratannya dengan memasukkan data kedalam program.
Eksperimen yang dilakukan dalam penelitian ini menggunakan aplikasi Rapidminer.
Yang dimana data yang di uji diambil dari history Nasabah Kredit Bank Mandiri.
Penelitian ini menggunakan metode naive bayesion classification (NBC), pada metode ini semua atribut akan memberikan kontribusinya dalam pengambilan keputusan, dengan bobot atribut yang sama penting dan setiap atribut saling bebas satu sama lain tidak hanya itu juga menggunakan variabel variabel tertentu ataupun variabel variabel data pada proses pengujian.
Naive bayes dalam studi kasus yang kami gunakan adalah untuk membuat sebuah prediksi dimasa depan.
1 Pengujian Metode Dalam aplikasi Rapid Miner terdapat beberapa operator yang digunakan dalam pengujian eksperimen metode untuk mengklasifikasi penentuan penerima kartu kredit pada nasabah bank mandiri antara lain.
Gambar 1 Proses Rapid Miner .
Retrieve Data : operator ini berfungsi untuk memanggil atau memasukkan data yang akan diolah pada aplikasi Rapid Miner.
Niave Bayes : operator atau algoritma yang digunakan untuk mengklasifikasi data yang telah dimasukkan.
Apply Model : digunakan untuk menerapkan model yang telah dilatih sebelumnya menggunakan data training, tujuannya adalah untuk mendapatkan prediksi pada unlabeled data .
ata testin.
yang belum memiliki label.
Performance : operator performance digunakan untuk mengevaluasi kinerja model yang memberikan daftar nilai kriteria kinerja secara otomatis sesuai dengan tugas yang Misalkan adalah accuracy, precision dan recall.
2 Hasil Performance Rapid Miner RapidMiner adalah platform analitik data berbasis perangkat lunak yang digunakan untuk data mining, machine learning, dan predictive analytics.
Dengan antarmuka drag-anddrop.
RapidMiner mempermudah analisis data kompleks.
Dari hasil percobaan pertama dengan jumlah Data Training sebanyak 50 data dan jumlah data testing sebanyak 20 data, maka didapatkan hasil accuracy 60% , hasil class precision untuk prediksi Tidak Dapat 50%, prediksi Silver 100%.
Prediksi Master 0% dan prediksi Prioritas 0%, sedangkan untuk hasil class recall nya yaitu untuk Tidak Dapat 100%.
Silver 80%.
Master 0% dan Prioritas 0%.
Berikut gambar hasil performance nya.
Klasifikasi Penentuan Pengajuan Kartu Kredit Nasabaha.
Miftah Fadhli AsAoad e-ISSN: 2685-0877 Gambar 2 Hasil performance percobaan pertama Hasil percobaan kedua dengan jumlah Data Training sebanyak 100 data dan jumlah data testing sebanyak 20 data, maka didapatkan hasil accuracy 80% , hasil class precision untuk prediksi Tidak Dapat 66,67%, prediksi Silver 100%.
Prediksi Master 100% dan prediksi Prioritas 100%, sedangkan untuk hasil class recall nya yaitu untuk Tidak Dapat 100%.
Silver 80%.
Master 50% dan Prioritas 100%.
Berikut gambar hasil performance percobaan kedua.
Gambar 3 Hasil performance percobaan kedua Hasil percobaan ketiga dengan jumlah Data Training sebanyak 166 data dan jumlah data testing sebanyak 20 data, maka didapatkan hasil accuracy 85% , hasil class precision untuk prediksi Tidak Dapat 72,73%, prediksi Silver 100%.
Prediksi Master 100% dan prediksi Prioritas 100%, sedangkan untuk hasil class recall nya yaitu untuk Tidak Dapat 100%.
Silver 100%.
Master 57,14% dan Prioritas 100%.
Berikut gambar hasil performance percobaan ketiga.
Gambar 4 Hasil performance percobaan kedua Hasil prediksi dari aplikasi ripid miner dapat dilihat pada gambar 5 yang dimana ada terdapat tiga prediksi yang tidak sama.
Progresif: Vol.
No.
Februari 2025: 328-338 Progresif e-ISSN: 2685-0877 Gambar 5 Hasil performance percobaan kedua 3 Hasil Analisa Setelah melakukan percobaan sebanyak 3 kali, maka peneliti mendapatkan hasil seperti yang ditampilkan pada tabel 4 Tabel 4 Variabel Penelitian Data Traning Data Testing Class Recall Class Precision Accuracy 82,50% 86,67% 4 Pembahasan Temuan dalam penelitian ini sejalan dengan beberapa penelitian terdahulu yang membahas efektivitas metode Naive Bayes dalam klasifikasi data keuangan.
Misalnya, penelitian oleh .
membandingkan metode Naive Bayes dengan algoritma machine learning lainnya dan menemukan bahwa metode ini unggul dalam efisiensi komputasi serta memiliki tingkat akurasi yang cukup baik dalam dataset kategori yang kompleks.
Selain itu, penelitian oleh .
menunjukkan bahwa kombinasi metode klasifikasi dan clustering dalam analisis kartu kredit dapat meningkatkan prediksi risiko kredit.
Dibandingkan dengan penelitian lain yang menggunakan model machine learning seperti Support Vector Machine (SVM) dan Random Forest.
, metode Naive Bayes dalam penelitian ini terbukti memberikan hasil yang kompetitif dengan keunggulan utama pada kecepatan pemrosesan dan kemudahan implementasi.
Sementara penelitian lain mengusulkan penggabungan Naive Bayes dengan decision tree untuk meningkatkan akurasi, hasil penelitian ini menunjukkan bahwa metode Naive Bayes sendiri sudah cukup efektif untuk diterapkan dalam skenario perbankan .
Simpulan Hasil penelitian menunjukkan bahwa metode Naive Bayes memiliki kinerja yang baik dalam klasifikasi kelayakan pengajuan kartu kredit, dengan akurasi mencapai 85%.
Temuan ini mendukung penelitian sebelumnya yang menyatakan bahwa metode ini memiliki efisiensi komputasi yang tinggi serta mampu menangani dataset kategori dengan baik.
Implementasi metode ini dapat membantu bank dalam meningkatkan efisiensi proses evaluasi pengajuan kartu kredit serta mengurangi kesalahan subjektif dalam pengambilan keputusan.
Klasifikasi Penentuan Pengajuan Kartu Kredit Nasabaha.
Miftah Fadhli AsAoad e-ISSN: 2685-0877 Daftar Referensi .
Margaretha and S.
May Sari.
AuFaktor Penentu Tingkat Literasi Keuangan Para Pengguna Kartu Kredit di Indonesia,Ay J.
Akunt.
dan Investasi, vol.
16, no.
2, pp.
132Ae144, 2015, doi: 10.
18196/jai.
Murphy.
Machine Learning : A Probabilistic Perspective.
London.
England: The MIT Press, 2012.
Khandani.
Kim, and A.
Lo.
AuConsumer Credit Risk Models Via MachineLearning Algorithms,Ay SSRN Electron.
, vol.
34, no.
11, pp.
2767Ae2787, 2012.
Qian.
Zhang.
Wang.
Peng.
Gao, and Y.
Song.
AuA comparative study on machine learning models combining with outlier detection and balanced sampling methods for credit scoring,Ay arxiv.
org/abs/2112.
13196, 2021.
Yeh and C.
hui Lien.
AuThe comparisons of data mining techniques for the predictive accuracy of probability of default of credit card clients,Ay Expert Syst.
Appl.
, vol.
36, no.
PART 1, pp.
2473Ae2480, 2009, doi: 10.
1016/j.
Hafid and L.
Khikmah.
AuPerbandingan Metode Algoritma C4 .
Nayve Bayes , dan Logistic Regression untuk Penentuan Kelayakan Penerima Kredit Comparison of C4 .
Nayve Bayes , and Logistic Regression Algorithm Methods for Determining Credit Recipient Eligibility,Ay vol.
14, no.
2, pp.
85Ae93, 2024.
Indriani.
AuKlasifikasi Data Forum dengan menggunakan Metode Nayve Bayes Classifier,Ay in Seminar Nasional Aplikasi Teknologi Informasi (SNATI) Yogyakarta, 2014, pp.
21Ae2014.
Nguyen et al.
AuInfluence of data splitting on performance of machine learning models in prediction of shear strength of soil,Ay Math.
Probl.
Eng.
, vol.
2021, no.
6, 2021, doi:
1155/2021/4832864.
Garcya.
Luengo, and F.
Herrera.
Data Processing in Data Mining, vol.
Spain:
Springer, 2015.
doi: 10.
1007/978-3-319-10247-4_8.
Pratama.
AuAnalisis Model Machine Learning Terhadap Pengenalan Aktifitas Manusia,Ay MATRIK J.
Manajemen.
Tek.
Inform.
dan Rekayasa Komput.
, vol.
19, no.
2, pp.
302Ae311, 2020, doi: 10.
30812/matrik.
Kim.
Rim.
Yook, and H.
Lim.
AuEffective methods for improving naive Bayes text classifiers,Ay Lect.
Notes Comput.
Sci.
ncluding Subser.
Lect.
Notes Artif.
Intell.
Lect.
Notes Bioinformatic.
, vol.
2417, pp.
414Ae423, 2002, doi: 10.
1007/3-540-45683-x_45.
Ertek.
Tapucu, and I.
Arin.
AuText Mining with RapidMiner,Ay in RapidMiner: Data Mining Use Cases and Business Analytics Applications.
Chapman and Hall/CRC.
Chapman & Hall/CRC Data Mining and Knowledge Discovery Series, 2013, pp.
1Ae47.
Bai et al.
AuPrediction of Effective Drug Combinations by an Improved Nayve Bayesian Algorithm,Ay Int.
Mol.
Sci.
, vol.
19, no.
2, pp.
1Ae14, 2018.
Nugraha and F.
Sulianta.
AuMeningkatkan Pengambilan Keputusan Industri Keuangan melalui Analisis Data Pinjaman Bank Menggunakan K-Means Clustering,Ay Res.
Gate, .
Pangaribuan and V.
Purba.
AuPemodelan Probability Of Default Portofolio Pembiayaan Bersama Fintech Lending dan Multi Finance :Studi Kasus Bank ABC,Ay Oikos Kaji.
Pendidik.
Ekon.
dan Ilmu Ekon.
, vol.
VII, no.
2, pp.
562Ae576, 2023.
Budiana and H.
Shelviani.
AuKombinasi Algoritma Decision Tree Dan Naive Bayes Untuk Meningkatkan Akurasi Dan Kecepatan,Ay in Seminar Nasional Riset dan Inovasi Teknologi (SEMNAS RISTEK), 2025, pp.
419Ae425.
Progresif: Vol.
No.
Februari 2025: 328-338