SELENGKAPNYA

NIM MAHASISWA : 08043035


NAMA MAHASISWA : Eri Laksmono Adji


JUDUL TA : ANALISA KARAKTERISTIK KELAYAKAN PEMOHON KREDIT APARTEMEN MENGGUNAKAN METODE C5.0 DAN K-NEAREST NEIGHBOR


DOSEN PEMBIMBING 1 : Rifki Fahrial


DOSEN PEMBIMBING 2 : Rani Purbaningtyas


ABSTRAK : Artikel ini membahas tentang perlunya aplikasi yang dapat menganalisa karakteristik kelayakan pemohon kredit apartemen pada PT.XYZ agar dapat menunjang keputusan pemberian kredit apartemen dimasa yang akan datang. Model data mining yang digunakan adalah klasifikasi, sedangkan teknik klasifikasi yang digunakan adalah decision tree dan jarak terdekat, untuk metode yang digunakan adalah C5.0 dan KNN. C5.0 merupakan metode data mining dimana memetakan tiap atribut ke salah satu label kelas yang didefinisikan sebelumnya, kemudian hasil pemetaan dihitung nilai Entropy dan nilai Gain, dari hasil gain terbesar dibentuk node yang merupakan atribut, sedangkan tiap cabangnya merupakan isi atribut dan leaf node merupakan kelas-kelas tertentu. KNN merupakan metode data mining dimana mengubah nilai atribut menjadi numerik, kemudian menghitung jarak antara data uji terhadap semua data latih menggunakan rumus Euclidean Distance, hasil perhitungan disorting secara ascending kemudian diambil sejumlah n(yang ditentukan sebelumnya) objek data dan diambil mayoritas label kelasnya. Dari 10(sepuluh) percobaan menggunakan data latih sebanyak 210 baris dataset, sedangkan data uji yang digunakan sebanyak 90(Sembilan puluh) baris dataset dibagi menjadi 2(dua) masing-masing 45(empat puluh lima) baris dataset dengan rincian 45 baris dataset yang pertama sebagai percobaan 1(satu) sampai 5(lima) dengan variasi n=1,…..,n=5 untuk metode KNN, sedangkan 45 baris dataset yang kedua sebagai percobaan 6(enam) sampai 10(sepuluh) dengan variasi n=6,…..,n=10 untuk metode KNN menghasilkan kesimpulan rata-rata tingkat akurasi klasifikasi dengan label kelas sebenarnya KNN=94,7% dan C5.0=100%. Untuk rata-rata waktu eksekusi KNN=4,92detik dan C5.0=2detik. Kesimpulan dari penelitian ini adalah klasifikasi metode C5.0 lebih baik daripada metode KNN baik dari tingkat akurasi maupun rata-rata waktu eksekusi.


KATA KUNCI : mining, klasifikasi, decision tree, pohon keputusan, Euclidean distance, C5.0, knn