Studi Kasus : IMPLEMENTASI ALGORITMA DATA MINING NAIVE BAYES PADA

KOPERASI
Koperasi merupakan salah satu lembaga keuangan yang melakukan transaksi kredit.
Dalam rangka mengembangkan usahanya dalam bentuk pinjaman anggota, koperasi memiliki
prinsip kehatihatian sebagaimana yang diterapkan pada perbankan dengan melakukan analisa
pemberian kredit kepada calon anggotanya.
Didalam mengantisipasi dalam memberikan kredit yang dilakukan oleh koperasi maka
perlu dilakukan kehati-hatian dalam memberikan pinjaman seperti yang dilakukan oleh bank
sebab selalu ada resiko dalam pemberian kredit, seperti tidak mampu membayar pinjaman yang
telah diterima. Untuk mengurangi resiko yang terjadi bisa dilakukan dengan cara mengambil
suatu kebijakan seperti memperkuat pengawasan terhadap orang yang akan melakukan
pinjaman kredit. Dan didalam kegiatan perkreditan sering kali terjadi masalah kredit macet
yang disebabkan oleh gagalnya pengembalian sebagian pinjaman yang diberikan kepada
penjamin. Namun masalah ini dapat diatasi dengan mengidentifikasi dan memprediksi
peminjam dengan baik sebelum memberikan pinjaman dengan cara memperhatikan data
historis pinjaman. Analisa ini dapat dilakukan dengan menggunakan salah satu jenis algoritma
dalam data mining yaitu Support Vector Machine. Bentuk penerapan data mining antara lain
dengan membuat aplikasi yang memanfaatkan teknologi data mining menggunakan algoritma
C4.5.
Untuk pengimplementasian data yang akan digunakan untuk data mining pada data di
koperasi simpan pinjam sumber rejeki, dari keseluruhan data diambil data nasabah yang
melakukan pinjaman lebih dari satu kali sebagai data yang digunakan untukbahan penelitian.
Data yang telah didapatkan akan di proses agar data tersebut bisa diolah dengan data
mining, dengan melewati proses cleaning data yang dimaksudkan untuk memilih atribut mana
saja dari keseluruhan data yang akan digunakan dalam membentuk tabel pola kredit,
selanjutnya adalah karena menggunakan naïve bayes maka tipe data yang telah didapat
sebelumnya harus diubah dulu kedalam nilai diskrit pada proses konversi nilai, dan atribut yang
dimaksud dari data yang telah di proleh adalah miliksndr, bunga dan status yang diubah
kedalam nilai biner 1 atau 0. Dan selanjutnya data tersebut dapat dihitung dengan rumus pada
algoritma naïve bayes, dan selanjutnya adalah proses standarisasi data, dari data yang telah di
peroleh sebelumnya akan dilakukan standarisasi data dengan rumus standarisasi min-max.
Dan langkah terakhir adalah proses k-fold cross validation yang diawali dengan
membagi data sejumlah k-fold yang diinginkan Dalam proses cross validation data akan dibagi
dalam k buah partisi dengan ukuran yang sama D1, D2, D3..Dn selanjutnya proses testing dan
training dilakukan sebanyak k kali. Dalam iterasi ke-i partisi Di akan menjadi data testing dan
sisanya akan menjadi data training. Persamaan (1) diterapkan terhadap setiap record dalam
data testing terhadap seluruh record pada data training. Pada akhir perhitungan dihitung
persentase tingkat kebenaran klasifikasi sehingga diperoleh gambaran validitas data training
sebagai data pola.

Pada data mining yang telah dilakukan hasilnya dapat diakses menggunakan aplikasi
yang telah dibuat atau yang telah ada untuk mengolah data mining dengan naïve bayes dan
hasil dari datanya adalah berupa perhitungan dari data yang diambil untuk data mining. Dengan
hasilnya adalah % (persen) untuk mengetahui kebenaran dari data yang telah di uji.