Analisis Kinerja Decision Tree C4.5 dalam Prediksi Potensi Pelunasan Kredit Calon Debitur

Bambang Hermanto, Azhari Sn, Fajri Putra
2017 unpublished
Abstrack-In an effort to anticipate the occurrence of errors in the selection of prospective borrowers while improving the quality of customer service, finance companies need decision making tools that simplify and speed up the process of predicting prospective borrowers who are able to pay off credit. The study discusses the application design process in constructing decision tree using C4.5 algorithm and utilizing a group of training data of motorcycle financing debtor, then interpreted in
more » ... n interpreted in the form of decision rule as a reference in estimating potential loan repayment of debtor. The test results through 5 categories of tests performed in the process of the resulting tree required an average time of 112 seconds with the fastest time obtained in the first test category with the amount of data 3000 records worth 9 seconds. While in the process of generate rule it takes an average time of 1.78 seconds with the fastest time obtained in the first test category with the amount of data 3000 records worth 1.23 seconds. Comparison of the amount of data in each test category affects the value of execution time, the more data make longer the process of generating trees and rules. In the data accuracy test obtained the average percentage of data accuracy value of 51.2% with the highest gain in the first test category with total data 3000 records worth 54%. Intisari-. Dalam upaya mengantisipasi terjadinya kesalahan dalam pemilihan calon debitur sekaligus meningkatkan kualitas layanan konsumen, perusahaan pembiayaan membutuhkan alat bantu pengambilan keputusan sehingga mempermudah dan mempercepat proses prediksi calon debitur yang mampu melunasi kredit. Penelitian membahas proses rancangn bangun aplikasi dalam membangun pohon keputusan menggunakan algoritma C4.5 dan memanfaatkan sekelompok data latih debitur pembiayaan kendaraan sepeda motor, kemudian diinterpretasikan dalam bentuk aturan keputusan sebagai acuan dalam memperkirakan potensi pelunasan kredit calon debitur. Hasil pengujian melalui 5 kategori uji yang dilakukan dalam proses generate tree dibutuhkan rata-rata waktu 112 detik dengan perolehan waktu tercepat pada kategori uji pertama dengan jumlah data 3000 record senilai 9 detik. Sedangkan dalam proses generate rules dibutuhkan rata-rata waktu 1,78 detik dengan perolehan waktu tercepat pada kategori uji pertama dengan dengan jumlah data 3000 record senilai 1,23 detik. Perbandingan jumlah data disetiap kategori uji mempengaruhi nilai execution time, makin banyak datanya maka semakin lama untuk proses generate tree dan rules. Pada pengujian akurasi data diperoleh prosentase rata-rata nilai akurasi data 51,2% dengan perolehan tertinggi pada kategori uji pertama dengan total data 3000 record senilai 54%.
fatcat:tmu4f3qp3ffsdf3nsn63se455u