KLASIFIKASI DATA MINING UNTUK PENENTUAN

POTENSI KREDIT MACET PADA KOPERASI

PEGAWAI REPUBLIK INDONESIA
“KOGURA” RAWAMERTA

PROPOSAL SKRIPSI
Disusun Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Komputer
dari Fakultas Ilmu Komputer Universitas Singaperbangsa Karawang

Oleh:
Euis
1510631170045

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER
UNIVERSITAS SINGAPERBANGSA KARAWANG
KARAWANG
2018
 BAB I
PENDAHULUAN
1.1. Latar Belakang
Saat ini pembangunan ekonomi merupakan bagian dari pembangunan
nasional yang salah satu upaya untuk mencapai masyarakat adil dan makmur
berdasarkan UUD 1945. Untuk mencapai tujuan berikut, pelaksanaan
pembangunan harus senantiasa dengan memperhatikan keserasian, keselarasan dan
keseimbangan dengan berbagai unsur pembangunan khususnya bidang ekonomi
yaitu keuangan. Lembaga finansial merupakan suatu lembaga yang bergerak di
bidang keuangan dimana para nasabahnya merupakan masyarakat dari berbagai
perilaku. Dalam menjalankan usahanya, setiap lembaga keuangan menawarkan
berbagai produknya seperti contohnya pemberian fasilitas kredit. Menurut KBBI
(Kamus Besar Bahasa Indonesia), kredit itu sendiri merupakan pinjaman uang
dengan pembayaran pengembalian secara mencicil atau mengangsur. Kredit yang
diberikan oleh pihak lembaga keuangan merupakan pemberian kepercayaan kepada
nasabah. Oleh karena itu, lembaga keuangan hanya memberikan kredit kepada
nasabah yang Ia betul-betul yakin bahwa debitor akan mengembalikan pinjaman
yang diterimanya sesuai dengan jangka waktu yang telah disepakati oleh kedua
belah pihak.

Koperasi simpan pinjam merupakan salah satu bentuk lembaga finansial

yang berperan penting dalam membantu meningkatkan taraf hidup masyarakat
dengan cara menghimpun dana dan menyalurkannya dalam bentuk kredit atau
pinjaman kepada nasabahnya (Iqbal, Nanang, Fitria: 2018). Adapun, proses
pengajuan kredit di koperasi simpan pinjam terbilang lebih sederhana namun
diperlukan analisa yang mendalam agar terhindar dari resiko kredit. Dalam
penelitian (Nanang, Supiyanto: 2017), mengungkapkan bahwa resiko kredit
merupakan resiko yang timbul sebagai akibat dari kegagalan para pihak dalam
memenuhi kewajibannya untuk membayar angsuran kredit. Pokok utama yang
dihadapi oleh setiap lembaga yang menyediakan fasilitas kredit yaitu tidak
tertagihnya piutang sehingga terjadi kredit macet. Masalah kredit macet di
Indonesia, yang dalam istilah perbankan disebut dengan Non-Performing Loan
(NPL) menduduki posisi tertinggi, yakni 55%. Persentase ini adalah perbandingan
antara kredit macet atau bermasalah dengan total pemberian kredit perbankan
(Novemy, Khabib: 2018).

Koperasi Guru Rawamerta merupakan salah satu koperasi yang bergerak

dibidang simpan pinjam dan menawarkan permohonan kredit kepada nasabahnya.
Namun, permohonan kredit pada koperasi ini dilakukan secara sederhana tidak
seperti di Bank, tetapi masih tetap memenuhi persyaratan prinsip dari sebuah kredit.
Proses tersebut masih menggunakan pendekatan intuitif (bentuk pemecahan
masalah dengan menggunakan gerakan hati untuk mengerti dan memahami
sesuatu) dan berdasarkan pengalaman yang sudah ada. Ada beberapa hal yang juga
menjadi penilaian terkait dengan permohonan kredit seperti jumlah pinjaman,
waktu pinjaman, jumlah tanggungan, jumlah pendapatan, ketentuan lain yang
mengikat seperti pembayaran pajak, listrik, telfon dan lain sebagainya. Permohonan
kredit tersebut diisi oleh calon nasabah dengan blanko yang telah diberikan oleh
pihak koperasi untuk pengajuan kredit, selanjutnya ditentukan oleh pimpinan
koperasi apakah kreditnya akan disetujui atau tidak.

Koperasi Guru Rawamerta memang belum cukup dana untuk

mendatangkan analisa kredit seperti layaknya Bank, mengingat kondisi keuangan
yang belum memungkinkan dalam mendatangkan pihak analisa kredit. Angka
kredit macet pada Koperasi Guru Rawamerta ini berada diangka yang cukup aman
dari standar Bank Indonesia yaitu 5%, sehingga menyebabkan pihak koperasi harus
mengeluarkan dana untuk menutupi kredit macet tersebut. Berikut merupakan
contoh kredit macet Koperasi Guru Rawamerta mulai tahun 2015 sampai dengan
2018, yaitu:

Tabel 1. 1 Data Kredit Macet Tahun 2015-2017

Tahun Jumlah Anggota yang Persentase Nilai Rupiah Kredit

Anggota mengalami Macet Macet
kredit macet
2015 307 21 5.2% Rp. 258.320.565,-
2016 300 21 4.8% Rp. 244.784.536,-
2017 271 23 5.3% Rp. 262.719.218,-
 Sumber: Koperasi Guru Rawamerta (2017)

Pada tabel 1.1 menunjukkan kenaikan angka kredit macet pada Koperasi
Guru Rawamerta, dimana setiap tahunnya mengalami kenaikan serta setiap
tahunnya pun jumlah anggota mengalami penurunan. Hal tersebut dikarenakan ada
beberapa nasabah yang tidak dapat membayar kreditnya sehingga harus masuk
kedalam daftar blacklist koperasi, atau ada yang sudah meninggal dan lain
sebagainya.

Pada penelitian terdahulu yang berjudul “Prediksi Kredit Macet Melalui

Perilaku Nasabah pada Koperasi Simpan Pinjam dengan Menggunakan Algoritma
C.45” oleh Sucipto (2015), menggunakan algoritma C4.5 dengan diuji secara
terukur menggunakan uji ROC/AUC dan juga T-Test. Hasil yang didapat secara
keseluruhan dalam penelitian tersebut adalah tingkat akurasi sebesar 91,06%,
dengan precision sebesar 100% dan juga nilai recall sebesar 78%.

Penelitian dengan judul “Klasifikasi Data Mining untuk Potensi Kredit

Macet Pada Koperasi Simpan Pinjam Primkoveri Waleri Menggunakan Algoritma
Decision Tree C4.5” oleh Awaludin dan Yuniarsi (2016), menggunakan algoritma
yang sama yaitu algoritma C4.5 menghasilkan tingkat akurasi sebesai 86%.

Sedangkan pada yang dilakukan oleh Iqbal, Nanang, dan Fitria (2018)
dengan judul “Prediksi Kredit Macet Berdasarkan Preferensi Nasabah
Menggunakan Metode Klasifikasi C4.5 pada Koperasi Simpan Pinjam Mitra Raya
Wates”, hasil akurasi yang diperoleh dengan menggunakan algoritma C4.5 yaitu
sebesar 94,594% dengan melakukan pengujian melalui kurva ROC sehingga
menghasilkan nilai AUC sebesar 0,9689, dan usabilitas yang dihasilkan dengan
memanfaatkan SUS adalah sebesar 82,5%.

Berdasarkan paparan dan penelitian terdahulu diatas, maka penelitian ini

akan melakukan prediksi kredit macet pada Koperasi Guru Rawamerta dengan
menggunakan teknik klasifikasi data mining. Adapun, algoritma yang digunakan
yaitu algoritma C4.5 yang diharapkan memiliki tingkat akurasi dengan nilai yang
tinggi dan dapat berguna bagi Koperasi Guru Rawamerta khususnya sebagai acuan
dalam pengembilan kredit selanjutnnya.
1.2. Rumusan Masalah
Berdasarkan latar belakang diatas, maka terdapat beberapa rumusan
masalah yang diambil yaitu sebagai berikut:
1. Bagaimana metode data mining dengan menggunakan algoritma C.45 dapat
diterapkan pada klasifikasi kredit macet?
2. Bagaimana hasil evaluasi persentase tingkat akurasi dari algoritma C4.5?
3. Bagaimana knowledge yang diperoleh dari hasil persentase tingkat keakuratan
prediksi yang dihasilkan?
1.3. Batasan Masalah
Batasan masalah dalam penelitian ini adalah sebagai berikut:
1. Penelitian ini menggunakan data nasabah dari Koperasi Guru Rawamerta
terhitung dari tahun 2015 sampai 2017.
2. Penelitian ini hanya membahas mengenai hasil akurasi yang diberikan oleh
algoritma C.45 untuk penentuan potensi kredit macet.
3. Hasi klasifikasi kredit macet akan diimplementasikan dalam bentuk dashboard.
1.4. Tujuan Penelitian
Tujuan penelitian ini adalah:
1. Untuk mengetahui penerapan algoritma C.45 pada klasifikasi kredit macet.
2. Untuk mengetahui hasil evaluasi persentase tingkat akurasi dari algoritma C4.5.
3. Untuk dapat mengetahui knowledge yang diperoleh dari hasil persentase tingkat
keakuratan prediksi yang dihasilkan.
1.5. Manfaat Penelitian
Adapun, manfaaat dari penelitian ini adalah:
1.5.1. Manfaat Teoritis
Meningkatkan pengetahuan mengenai teknik klasifikasi data mining
dengan menggunakan algoritma C4.5.

1.5.2. Manfaat Praktis

1. Bagi peneliti:
Memperoleh sebuah karya cipta yang dapat digunakan oleh Lembaga
Keuangan seperti Koperasi khususnya Koperasi Guru Rawamerta.
 2. Bagi Koperasi Guru Rawamerta:
Dapat membantu untuk masalah kredit macet yang setiap tahunnya
mengalami perubahan.
1.6. Metodologi Penelitian
Metode yang digunakan dalam penelitian ini yaitu algoritma C.45 dengan
menggunakan proses KDD (Knowledge Discovery in Databases). Adapun, proses
dalam KDD adalah sebagai berikut:

1. Data selection
2. Pre-processing data
3. Transformation
4. Data Mining
5. Evaluasi
1.7. Sistematika Penulisan
Sistematika penulisan proposal skripsi ini meliputi 3 bagian yaitu:

BAB I PENDAHULUAN
Pada bab ini melingkupi latar belakang, rumusan masalah, batasan
masalah, tujuan penelitian, manfaat penelitian, metodologi
penelitian dan sistematika penulisan.
BAB II LANDASAN TEORI
Pada bab ini yang menguraikan landasan-landasan teori yang
mendukung pemecahan masalah yang relevan dengan penelitian ini.
BAB III OBJEK DAN METODOLOGI PENELITIAN
Pada bab ini dijelaskan langkah-langkah penelitian, objek yang akan
diteliti dan juga algoritma yang digunakan pada penelitian ini yaitu
algoritma C4.5 dalam kasus prediksi klasifikasi jumlah pembaca
pada artikel online dengan metode KDD (Knowledge Discovery in
Databases).
1.8. Jadwal Penelitian
Berikut adalah jadwal penelitian yang diestimasikan, selama kurang lebih
enam bulan dalam melaksanakan penelitian ini.

Tabel 1. 2 Jadwal Penelitian

Bulan Bulan Bulan Bulan Bulan Bulan
No. Kegiatan
ke-1 ke-2 ke-3 ke-4 ke-5 ke-6
1. Data Selection
2. Pre-Processing
Data
3. Transformation
4. Data Mining
Klasifikasi
5. Evaluation
 BAB II
LANDASAN TEORI

2.1. Data Mining

2.1.1. Pengertian Data Mining
Menurut Larose dan Daniel dalam Awaludin, Yuniarsi (2018) data
mining merupakan bidang dari beberapa bidang keilmuan yang menyatukan
teknik dari pembelajaran mesin, pengenalan pola, statistic, database dan
visulisasi untuk penanganan permasalahan pengambilan informasi dari
database yang besar.

Menurut Suyanto, data mining adalah sebuah proses yang

mempekerjakan satu atau lebih teknik pembelajaran computer (machine
learning) untuk menganalisis dan mengintegrasi suatu pengetahuan
(knowledge) secara otomatis. Data mining digunakan untuk mengekstrak
(mengambil intisari) pengetahuan dari sekumpulan data sehingga
didapatkan sebuah struktur yang dapat dimengerti manusia serta meliputi
basis data dan manajemen data, pemrosesan data, pertimbangan model dan
inferensi, ukuran ketertarikan, pertimbangan kompleksitas, pasca
pemrosesan terhadap struktur yang ditemukan, visualisasi dan online
updating.

Dalam penelitiannya, Ardiansyah, Panny, Reza (2018)

mengemukakan bahwa data mining adalah suatu disiplin ilmu yang
bertujuan untuk menemukan, menggali atau menambahkan pengetahuan
dari data atau informasi yang kita miliki.

2.1.2. Tahapan Data Mining

Tahapan-tahapan data mining terdiri dari 6 tahapan menurut Han,
yaitu: (imagenya belum)

1. Data cleaning (pembersihan data)

Pembersihan data merupakan proses menghilangkan noise dan data
yang tidak konsisten atau data tidak relevan. Pada umumnya, data yang
diperoleh, baik dari konsisten atau data tidak relevan dengan hipotesa
 data mining yang dimiliki. Data-data yang tidak relevan itu juga lebih
baik dibuang. Pembersihan data juga akan mempengaruhi pemformasi
dari teknik data mining karena data yang ditangani akan berkurang
jumlah dan kompleksitasnya.
2. Data integration (integrasi data)
Integrasi data merupakan penggabungan data dari berbagai database
kedalam satu database baru. Tidak jarang data yang diperlukan untuk
data mining tidak hanya berasal dari satu database tapi juga berasal dari
beberapa database atau file teks. Integrasi data dilakukan pada atibut-
atribut yang mengidentifikasikan entitas-entitas yang unik seperti
atribut nama, jenis produk, nomor pelanggan dan lainnya. Integrasi data
perlu dilakukan secara cermat karena kesalahan pada integrasi data bisa
menghasilkan hasil yang menyimpang dan bahkan menyesatkan
pengambilan aksi nantinya.
3. Data selection (seleksi data)
Data yang ada pada database sering kali tidak semuanya terpakai, oleh
karena itu hanya data yang sesuai untuk dianalisis yang akan diambil
dari database. Sebagai contoh, sebuah kasus yang meneliti faktor
kecenderungan orang membeli dalam kasus market based analysis,
tidak perlu mengambil nama pelanggan, cukup dengan id pelanggan
saja.
4. Data transformation (transformasi data)
Data diubah atau digabung kedalam format yang sesuai untuk diproses
dalam data mining.
2.1.3. Macam-Macam Teknik Data Mining
2.2. Klasifikasi Data Mining
2.3. KDD (Knowledge Discovery in Databases)
2.4. Algoritma C4.5
2.4.1. Confussion Matrix
2.4.2. Decision Tree
2.5. Kredit
2.5.1. Definisi Kredit
 2.5.2. Definisi Kredit Macet
2.6. Koperasi Guru Rawamerta
2.6.1. Sejarah Singkat
Koperasi Guru Rawamerta atau disingkat dengan Kogura lahir pada
bulan September 1974. Koperasi Guru Rawamerta merupakan sebuah induk
koperasi yang pada masa didirikannya diharapkan dapat menjawab
kebutuhan guru-guru yang ada di kecamatan Rawamerta. Dengan anggota
meliputi kecamatan Rawamerta dan kecamatan Tempuran yang pada waktu
itu kecamatan Tempuran masih berstatus sebagai kecamatan perwakilan.
Kemudian, pada tahun 1980 Koperasi Guru Rawamerta berdiri sendiri
dengan anggota khusus dari kecamatan Rawamerta setelah kecamatan
Tempuran sudah memisahkan diri menjadi satu kecamatan yang baru.

Perintis para pengurus Koperasi Guru Rawamerta pada waktu itu

diketuai oleh unsur Kepala Sekolah dan pengurus lainnya terdiri dari guru-
guru yang ada di kecamatan Rawamerta. Selama perjalanan, dari tahun 1974
sampai saat ini sudah mencapai usia 44tahun. Diiringi dengan
perkembangan usaha Koperasi Guru Rawamerta yang sedikit demi sedikit
secara bertahap mengalami peningkatan. Ketika awal berdiri, simpanan
pokok anggota hanya sebesar Rp. 10.000,- sedangkan simpanan wajib
sebesar Rp. 500,-. Saat ini, simpanan wajib Koperasi Guru Rawamerta
sudah mencapai pada Rp. 200.000,- dan simpanan pokok Rp. 100.000,-.

Sebagaimana anggaran dasar, masa bakti pengurus sudah disepakati

5tahun, sedangkan untuk badan pemeriksa selama 2tahun. Perkembangan
anggota mengalami peningkatan dari tahun ke tahunnya sejak awal
didirikannya Koperasi Guru Rawamerta. Adapun, anggota dari Koperasi
Guru Rawamerta itu sendiri adalah unsur guru SD (Sekolah Dasar) bersama
anggota keluarganya, dan unsur guru SMP serta pegawai dinas pendidikan
kecamatan Rawamerta.
 2.6.2. Visi dan Misi
Koperasi Guru Rawamerta memiliki sebuah Visi yaitu “Terciptanya
anggota Koperasi Guru Rawamerta yang sejahtera”. Sedangkan, misi yang
dimiliki oleh Koperasi Guru Rawamerta yaitu:
1. Meningkatkan pelayanan terhadap semua unsur yang ada di Koperasi
Guru Rawamerta
2. Melaksanakan tertib administrasi dan organisasi
3. Peningkatan pengukuhan modal sendiri
4. Terjalinnya kerjasama yang baik dengan pihak lain yang saling
memungkinkan
2.6.3. Struktur Organisasi

Gambar 2. 1 Struktur Organisasi

2.7. Kajian Terdahulu
Penelitian sebelumnya mengenai algoritma classification yang dijadikan reverensi pada penelitian ini dijelaskan pada tabel
dibawah ini:

No. Judul (Penulis, Tahun) Algoritma/Metode Perbedaan Kesimpulan

yang digunakan
1. Prediksi Kredit Macet Melalui C4.5 Atribut, studi kasus Menggunakan metode klasifikasi data
Perilaku Nasabah pada penelitian, pengujian mining dengan menggunakan algoritma
Koperasi Simpan Pinjam algoritma, tools yang C4.5 untuk deteksi kredit macet telah
dengan Menggunakan digunakan. menghasilkan nilai akurasi, dimana
Algoritma C.45 (Sucipto, akurasi tersebut adalah algoritma C4.5
2015) Atribut yang digunakan pada sebesar 92,00%. Setelah dilakukan
penelitian ini yaitu nama, pengujian menggunakan algoritma C
umur, penghasilan, jumlah 4.5 mendapatkan hasil perbandingan
kredit dan atribut target yaitu keseluruhan dengan uji statistic T-Test,
kredit macet atau kredit maka dapat diketahui algoritma C 4.5
lancar. Tools yang digunakan yang mempunyai nilai uji test cukup
yaitu rapid miner. tinggi yaitu nilai probalitas sebesar
0,05, karena memiliki nilai probalitas
kurang dari ≤ 0.05
2. Klasifikasi Data Mining untuk C4.5 Atribut, studi kasus, tools Metode desicion tree terhadap data 50
Potensi Kredit Macet Pada yang digunakan data nasabah kredit Koperasi
Koperasi Simpan Pinjam Primkoveri Waleri tahun 2014 memiliki
Primkoveri Waleri tingkat akurasi yang baik dalam
Menggunakan Algoritma Atribut yang digunakan pada menyelesaikan solusi klasifikasi data
Decision Tree C4.5 penelitian ini adalah umur, mining dengan algoritma C4.5 yaitu
(Awaludin dan Yuniarsi, status, pekerjaan, sebesar 86%.
2016) penghasilan, maks kredit,
jangka waktu kredit dan
 angsuran. Tools yang
digunakan dalam penelitian
ini yaitu rapid miner.
3. Prediksi Kredit Macet C.45 Atribut yang digunakan, Hasil yang didapatkan dari confussion
Berdasarkan Preferensi studi kasus, dan pengujian matrix adalah tingkat akurasi sebesar
Nasabah Menggunakan algoritma. 94,5946%. Sedangkan berdasarkan
Metode Klasifikasi C4.5 pada kurva ROC dihasilkan nilai AUC
Koperasi Simpan Pinjam Atribut yang digunakan sebesar 0,9689. Usabilitas yang
Mitra Raya Wates (Iqbal, dalam penelitian ini yaitu dihasilkan dengan memanfaatkan SUS
Nanang, dan Fitria, 2018) jenis kelamin, jumlah adalah sebesar 82,5.
tanggungan, status
pernikahan, pendapatan
utama, total biaya hidup, dan
status pinjaman.
4. Prediksi Ketepatan Masa C4.5 Atribut, masalah yang Algoritma C.45 dapat digunakan untuk
Studi Mahasiswa dengan terjadi, studi kasus dan teknik memprediksi ketepatan masa studi
Algoritma Pohon Keputusan pengujian algoritma. mahasiswa dengan menggunakan data
C45 (Sri Yunianita, Novi latih mahasiswa Teknik Informatika UII
Setiani, Sri Mulyati, 2018) Atribut yang digunakan angkatan 2010 hingga 2013. Dengan
dalam penelitian ini yaitu menggunakan teknik filter dan wrapper
nilai kuis, nilai tugas, dan terhadap subset atribut, maka
nilai ujian. ditemukan pengetahuan bahwa IPK,
jumlah SKS, nilai matakuliah Aljabar
Linear dan Matriks, Basisdata, Metode
Numerik, Sistem Informasi,
Pemrograman Web, Pemrograman
Berorientasi Obyek, dan Sistem Operasi
memiliki pengaruh yang cukup
signifikan terhadap tingkat kelulusan
mahasiswa. Pengujian terhadap model

5. Analisa Kinerja Decision Tree C4.5 Menggunakan data latih
C4.5 dalam Prediksi Potensi debitur pembiayaan
Pelunasan Kredit Calon kendaraan sepeda motor
Debitur (Bambang, Azhari, kemudian diprediksi potensi
dan Fajri, 2017) pelunasan kredit dari calon
debitur tersebut, melakukan
proses pengujian dengan
membaginya kedalam 5
kategori uji berdasarakan
pemetaan data pengujian
yang ditetapkan.
6. Perbandingan Algoritma C4.5 dan Naïve Atribut yang digunakan,
Naive Bayes Dan C.45 Dalam bayes masalah yang terjadi,
Klasifikasi Data Mining algoritma
(Yogiek Indra Kurniawan,
2018)
klasifikasi berbasis pohon keputusan
C4.5 memberikan hasil yang cukup
baik, yaitu dengan dicapainya akurasi
sebesar 73.9%.
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%.
Pada kasus penentuan kelayakan calon
anggota kredit pada koperasi, algoritma
Naive Bayes memberikan nilai yang
lebih baik pada precision, tapi untuk
recall dan accuracy, algoritma C.45
 Atribut yang digunakan memberikan hasil yang lebih baik.
dalam penelitian ini yaitu Dengan menggunakan 400 data testing
kategori kelayakan kredit pada algoritma naïve bayes
dengan lancar, kurang lancar, menghasilkan tingkat akurasi sebesar
dan macet, jenis kelamin, 69.54% dan untuk C4.5 menghasilkan
umur, jenis pekerjaan, akutasi 80.23%.
jumlah pinjaman, jangka
waktu pengembalian,
jaminan dan penghasilan.

Melihat dari penelitian sebelumnya, dari penelitian yang melakukan komparasi antara algoritma C4.5 dan Naïve bayes
menunjukkan bahwa hasil penelitian yang dilakukan menggunakan algoritma C4.5 memiliki tingkat akurasi yang lebih baik daripada
algoritma Naïve bayes. Dalam beberapa penelitian sebelumnya menunjukkan bahwa prediksi kredit macet dapat di klasifikasikan
dengan data mining menggunakan algoritma C4.5 dan menghasilkan tingkat akurasi yang tinggi dengan menggunakan beberapa macam
pengujian algoritma. Oleh karena itu, berdasarkan kajian terdahulu mengenai perbedaan dalam penelitian yang dilakukan sekarang
adalah dengan menggunakan algoritma C4.5 untuk melakukan klasifikasi terhadap potensi kredit macet pada Koperasi Guru
Rawamerta dengan menggunakan metode KDD (Knowledge Discovery in Databases).