Implementasi Data Mining
Implementasi Data Mining
Entropy (S)
merupakan jumlah
bit yang
diperkirakan
dibutuhkan untuk
dapat mengekstrak
suatu kelas (+ atau -
) dari sejumlah data
acak pada ruang
sampel S.
Konsep Gain
Gain (S,A)
merupakan
perolehan
informasi dari
atribut A relative
terhadap output
data S.
Metode Penelitian
Decision
Aturan-
Pengumpulan Tree (
Data
Seleksi Data Aturan(Rule
Pohon
Model)
Keputusan )
Perhitungan
Transformasi Entropy dan
Data Information
Kesimpulan
Gain
Penentuan Nasabah Kredit
Lancar Macet
Lancar Macet
Kecil 10 6
35 9 6
24 7 1 Menengah 6 1
12 7 6 Tinggi 6 1
Klasifikasi Data
Berdasarkan Angsuran
Angsuran Kolektibilitas
Lancar Macet
<500.000 4 1
>500.000 16 6
>1.000.000 2 1
Entropy
Tabel Total Sample Jumlah Kasus Tiap Atribut
12 7 6 1
Entropy
Atribut Jangka Waktu 35, 24, dan 12
Entrophy 35(9,6)
= ((-9/15)*2(9/15)+(-6/15)*2(6/15))
= 0.9709
Entrophy 24(7,1)
= ((-7/8)*2(7/8)+(-1/8)*2(1/8))
= 0.5435
Entrophy 12(6/1)
= ((-6/7)*2(6/7)+(-1/7)*2(1/7))
= 0.5916
Entropy
Atribut Penghasilan Kecil, Menengah, dan Tinggi
Penghasilan
KECIL
JANGKA WAKTU
35 BULAN 12 BULAN
ANGSURAN ANGSURAN
24 BULAN
<1JT
LANCAR
>500RB >1JT
LANCAR
>1JT
>1JT
MACET
MACET
<1JT
LANCAR
Berdasarkan pengujian yang telah diadakan, dapat
disimpulkan bahwa penerapan data mining klasifikasi
nasabah menggunakan metode algoritma C4.5 pada PT. FIF
Group Cabang Depok menghasilkan akurasi yang cukup tinggi
yaitu sebesar 73,33%, Dengan nilai Entropy dan Gain tertinggi
yaitu 0.06816 pada atribut-atribut Kredit perhitungan
menggunakan Microsoft Excel 2016. Dengan menggunakan
teknik Klasifikasi Algoritma C4.5 tersebut menghasilkan rules
yang dapat diterapkan kedalam aplikasi untuk mengetahui
pola kredit nasabah apakah tergolong klasifikasi lancer
ataupun macet sehingga mempermudah pihak leasing dalam
memprediksi pola kredit nasabah.
Sekian
Terimakasih