0 penilaian0% menganggap dokumen ini bermanfaat (0 suara)
64 tayangan6 halaman
Berdasarkan data delapan nasabah bank, dibuatlah model klasifikasi decision tree dan naive bayes untuk memprediksi risiko kredit nasabah baru berdasarkan atribut tabungan, aset, dan pendapatan. Decision tree menghasilkan kesimpulan bahwa nasabah baru berisiko buruk, sedangkan naive bayes mengkonfirmasi hal yang sama.
Berdasarkan data delapan nasabah bank, dibuatlah model klasifikasi decision tree dan naive bayes untuk memprediksi risiko kredit nasabah baru berdasarkan atribut tabungan, aset, dan pendapatan. Decision tree menghasilkan kesimpulan bahwa nasabah baru berisiko buruk, sedangkan naive bayes mengkonfirmasi hal yang sama.
Berdasarkan data delapan nasabah bank, dibuatlah model klasifikasi decision tree dan naive bayes untuk memprediksi risiko kredit nasabah baru berdasarkan atribut tabungan, aset, dan pendapatan. Decision tree menghasilkan kesimpulan bahwa nasabah baru berisiko buruk, sedangkan naive bayes mengkonfirmasi hal yang sama.
LEMBAR TUGAS MATERI 6 Model Klasifikasi Decision Tree dan Nave Bayes Materi : Data Mining Matakuliah : Sistem Pendukung Keputusan Dosen : Lizda Iswari, M.Sc.
Nama Mhs : Dwi Mukti Wibowo (13917113)
Diberikan data delapan nasabah Bank seperti tampak pada Tabel 1. Tabel 1. Data Nasabah Bank Nasabah Tabungan Aset Pendapatan Risiko Kredit 1 Sedang Tinggi 75 Baik 2 Rendah Rendah 50 Buruk 3 Tinggi Sedang 25 Buruk 4 Sedang Sedang 50 Baik 5 Rendah Sedang 100 Baik 6 Tinggi Tinggi 25 Baik 7 Rendah Rendah 25 Buruk 8 Sedang Sedang 75 Baik
Dari data tersebut buatlah Decision Tree dan tentukan peluang risiko kredit baik atau buruk seorang nasabah berdasarkan Tree dan model klasifikasi Naive Bayes. Adapun kriteria nasabah baru tersebut adalah: Jumlah tabungan : tinggi Aset : rendah Pendapatan : 30 Untuk atribut Pendapatan bagi dalam 3 kategori: 0-50, 51-75, dan >75.
Level Atribut Partisi Jumlah Kasus (S) Jumlah Baik (S1) Jumlah Buruk (S2) Entropy Gain 1 Total 8 5 3 0,954 Tabungan 0,36007 Tinggi 2 1 1 1,000 Sedang 3 3 0 0,000 Rendah 3 1 2 0,918 Aset 0,54880 Tinggi 2 2 0 0,000 Sedang 4 3 1 0,811 Rendah 2 0 2 0,000 Pendapatan 0,34759 0-50 5 2 3 0,971 51-75 2 2 0 0,000 >75 1 1 0 0,000
Tabel 2. Tabel Nasabah Level 2 Nasabah Tabungan Aset Pendapatan Resiko Kredit 3 tinggi sedang 25 Buruk 4 sedang sedang 50 Baik 5 rendah sedang 100 Baik 8 sedang sedang 75 Baik
Maka jika Kriteria Nasabah : - Jumlah Tabungan : Tinggi - Aset : Rendah - Pendapatan : 30, maka akan beresiko Buruk.
Aset Tinggi Baik Sedang Tabungan Tinggi Buruk Sedang Baik Rendah Baik Rendah Buruk Peluang resiko baik atau buruk seorang nasabah berdasarkan Naive Bayes Nasabah Tabungan Aset Pendapatan Resiko Kredit 1 sedang tinggi 75 baik 2 rendah rendah 50 buruk 3 tinggi sedang 25 buruk 4 sedang sedang 50 baik 5 rendah sedang 100 baik 6 tinggi tinggi 25 baik 7 rendah rendah 25 buruk 8 sedang sedang 75 baik
Kriteria Nasabah : - Jumlah Tabungan : Tinggi - Aset : Rendah - Pendapatan : 30
Atribut Partisi Jumlah Kasus (S) Jumlah Baik (S1) Jumlah Buruk (S2) Total 8 5 3 Tabungan Tinggi 2 1 1 Sedang 3 2 1 Rendah 3 2 1 Aset Tinggi 2 1 1 Sedang 4 3 1 Rendah 2 1 1 Pendapatan 0-50 5 2 3 51-75 2 2 0 >75 1 1 0
P(Baik) = 5 / 8 = 0,63 P(Buruk) = 3 / 8 = 0,38
P(Tabungan = Tinggi | Resiko Kredit = baik) = 1 / 5 = 0,2 P(Tabungan = Tinggi | Resiko Kredit = buruk) = 1 / 3 = 0,33 P(Aset = rendah | Resiko Kredit = baik) = 1 / 5 = 0,2 P(Aset = rendah | Resiko Kredit = buruk) = 1 / 3 = 0,33 Pendapatan = 30 | Resiko kredit = baik) = 2 / 5 = 0,4 Pendapatan = 30 | Resiko kredit = buruk) = 3 / 3 = 1
P(X | Resiko Kredit Baik) = 0,2 x 0,2 x 0,4 = 0,016 P(X | Resiko Kredit Buruk) = 0,333 x 0,3 x 1 = 0,111
P1 = P(X | Resiko Kredit Baik) * P(Baik) = 0,0 16 x 0, 6 = 0,01 P2 = P(X | Resiko Kredit Buruk) * P(Buruk) = 0,111 x 0,4 = 0,042