IMPLEMENTASI DATA MINING UNTUK MENENTUKAN KELAYAKAN PEMBERIAN KREDIT DENGAN MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORS (K-NN)
In English : The banking world in terms of lending to customers is routine activities that are at high risk. In its execution, the problematic credit or bad credit is often due to the lack of careful credit analysis in the process of granting credit, as well as from poor customers. The purpose of this study is to implement data mining to assist in conducting credit analysis process in order to produce the right information whether the customer who will apply for the credit is worthy or not to be able to see the potential payment by the customer. The attributes used in this study consist of 11 attributes i.e. marital status, number of liabilities, age, last education, occupation, monthly income, home ownership, warranties, loan amount, length of loan and description as a result attribute. The methods of data collection used are observation, interviews, and documentation. The method used in this study is K-Nearest Neighbor (K-NN). From the results of evaluation and validation using the K-5 fold that has been done using the RapidMiner tools obtained the highest accuracy results from the K-Nearest Neighbor (K-NN) method of 93.33% in the 5th test. In Indonesian : Dunia perbankan dalam hal pemberian kredit kepada nasabah adalah kegiatan rutin yang mempunyai resiko tinggi. Dalam pelaksanaannya, kredit yang bermasalah atau kredit macet sering terjadi akibat analisis kredit kurang cermat dalam proses pemberian kredit, maupun dari nasabah yang tidak baik. Tujuan dalam penelitian ini ialah menerapkan data mining untuk dapat membantu melakukan proses analisis kredit agar dapat menghasilkan informasi yang tepat apakah nasabah yang akan mengajukan kreditnya layak atau tidaknya sehingga dapat melihat potensi pembayaran kredit yang dilakukan nasabah. Atribut yang digunakan dalam penelitian ini terdiri dari 11 atribut yaitu status perkawinan, jumlah tanggungan, usia, pendidikan terakhir, pekerjaan, penghasilan perbulan, kepemilikan rumah, jaminan, jumlah pinjaman, lama pinjaman dan keterangan sebagai atribut hasil. Metode pungumpulan data yang digunakan ialah observasi, wawancara, dan dokumentasi. Metode yang digunakan dalam penelitian ini adalah K-Nearest Neighbor (K-NN). Dari hasil evaluasi dan validasi menggunakan k-5 fold yang telah dilakukan menggunakan tools RapidMiner diperoleh hasil akurasi tertinggi dari Metode K-Nearest Neighbor (K-NN) sebesar 93.33% pada pengujian ke 5.