Transcription

ALGORITMA KLASIFIKASI NAÏVE BAYESUNTUK MENILAI KELAYAKAN KREDIT(Studi Kasus : Bank Mandiri Kredit Mikro)Fachry HusainiProgram Studi Teknik Informatika – Universitas Muhammadiyah JemberEmail: [email protected] adalah cara menjual barang dan atau pinjaman uang dengan pembayaran secara tidak tunai dimanapembayaran ditangguhkan atau diangsur dengan pinjaman sampai batas jumlah tertentu yang diizinkanoleh bank atau badan lain. Seiring dengan kemajuan teknologi informasi, sangat dimungkinkan bagiperusahaan menggunakan model statistik dalam mengevaluasi kredit. Model credit scoring dibangundengan menggunakan sampel kredit masa lalu dalam jumlah yang besar. Data mining telah terbuktisebagai alat yang memegang peran penting untuk industri perbankan dan ritel, yang mengidentifikasiinformasi yang berguna dari data ukuran besar. Penelitian ini menggunakan model Naive Bayes, modelini memegang asumsi akan hubungan antar fitur atau atributnya yang independen sehinggamenjadikannya sederhana dan efisien. Dari hasil penelitian membuktikan bahwa algoritma Naive Bayesdapat diterapkan untuk menilai kelayakan kredit pada Mandiri Kredit Mikro. Dan pengolahan data awalmerupakan tahapan yang sangat mempengaruhi hasil akurasi yang baik sehingga akurasi akhir yangdihasilkan termasuk kategori Excellent. Penilaian kelayakan kredit menggunakan Algoritma Naive Bayespada Mandiri Kredit Mikro lebih unggul jika dilakukan pengolahan data awal sekalipun Naive Bayesmerupakan algoritma yang mampu menangani data yang hilang.Kata Kunci : Kelayakan Kredit, Data Mining, Naive Bayes1. Pendahuluan1.1.Latar BelakangKredit adalah cara menjual barang dan ataupinjaman uang dengan pembayaran secara tidaktunai dimana pembayaran ditangguhkan ataudiangsur dengan pinjaman sampai batas jumlahtertentu yang diizinkan oleh bank atau badanlain. Salah satu tugas utama dari sebuah lembagakeuangan adalah untuk mengembangkanbeberapa set model dan teknik untukmemungkinkan mereka untuk memprediksikelayakan kredit.Mandiri Kredit Mikro adalah salah satuperusahaan yang memberi jasa kegiatan kredit,khususnya untuk pengembangan usaha produktifmaupun konsumtif skala mikro. Bagi perusahaankredit, ada risiko yang harus dihadapi yaitu tidaktepat waktunya pembayaran atau bahkankegagalan pembayaran dari kredit yangdisalurkannya. Masalah kredit macet inidisebabkan oleh nasabah yang berisiko. Risikokredit adalah kemungkinan penurunan hasilkredit dari tindakan peminjam yang mempunyaireputasi yang buruk.Padapenelitianini, penulisakanmenggunakan model atau metode Naïve Bayes.Model ini memegang asumsi akan hubunganantar fitur atau atributnya yang independensehingga menjadikannya sederhana dan efisien.Penerapan Naïve Bayes ini diharapkan dapatmenilai akurasi dengan biaya terendah dalammenentukan nilai kelayakan kredit. Keuntunganlain dari model Naïve Bayes adalah mampuuntuk mengoreksi diri, yang berarti bahwa

ketika terjadi perubahan data, begitu juga terjadiperubahan pada hasilnya. Dalam penelitian ini,penulis menggunakan data yang baru sehinggagunakan berjumlah 100 konsumen dariperusahaan Mandiri Kredit Mikro Jember 2015.1.2.Rumusan MasalahAdapun rumusan masalah pada penyusunanlaporan skripsi ini adalah:1. Bagaimana menerapkan algoritma naïvebayes kedalam klasifikasi kelayakannasabah untuk melakukan kredit padaMandiri Kredit Mikro.2. Bagaimanamenerapkanklasifikasikelayakan kredit dengan kedalambahasapemrograman PHP.1.3.Tujuan PenelitianTujuan dari penelitian ini adalah1. Merancang dan membangun sistemdalam menentukan kelayakan pemberiankredit terhadap nasabah.2. Menerapkan metode Naïve Bayessebagai salah satu metode klasifikasimasalah multikriteria dengan membuatrancangan sistemdan membangunperangkat lunak klasifikasi.1.4.Batasan MasalahBatasan masalah dari sistem yang dibahas adalahsebagai berikut :1. Kriteria yang digunakan sebagai dasarpenilaian diperoleh dari Bank MandiriMikro.2. Informasi yang diperoleh berupakelompok atau golongan kelayakannasabah yang mengajukan kredit diMandiri Mikro.3. Aplikasi data klasifikasi yang dibuatmenggunakan bahasa pemrogramanHypertext Preprocessor (PHP) danpenyimpanan data dilakukan di databaseMySQL.hasilnya tentu berbeda. Jumlah dataset yangpenulis1.5.Manfaat PenelitianAdapun penelitian ini diharapkan memberikanmanfaat bagi pihak-pihak yang terkait denganpenelitian ini, antara lain adalah : Bagi penelitiMenambahkhazanahkeilmuan,pemikiran dan pengalaman dalambidang Teknik Informatika, sertasebagai salah satu syarat untuk meraihgelar Sarjana Strata Satu (S-1) diUniversitas Muhammadiyah Jember. Bagi lembagaHasil dari penelitian ini kiranya dapatdigunakan sebagai tambahan informasidalam meningkatkan output pendidikankhususnya di perguruan tinggi, yakniUniversitas Muhammadiyah Jember. Bagi Mandiri Kredit MikroSistem klasifikasi kelayakan kreditdiharapkandapatmemberikanklasifikasi kelayakan pemberian kreditterhadap nasabah.2. Tinjauan Pustaka2.1. Data MiningData mining adalah suatu teknik yangmerupakan gabungan dari metode-metodeanalisis data secara statistik denganalgoritma-algoritma untuk memproses databerukuran besar. Data mining merupakanproses menemukan informasi atau pola yangpenting dalam basis data berukuran besar.Data-data yang ada di gali, di olah, dianalisa dan akan di dapatkan berbagaiinformasi yang penting. Tidak sepertistatistik yang menggunakan sampel populasisebagai datanya, data mining membutuhkandata yang besar, semakin besar datanyamaka proses penambangan akan semakinefektif menemukan pola-pola tertentu.

Manfaat data mining misalnya : dimiliter untuk mempelajari apa saja yangmenjadi faktor utama dalam ketepatansasaran pengeboman, agen intelejen untukmenangkap dan memilah informasiinformasi yang sesuai dengan apa yang ingindipelajari, spesialis keamanan jaringan untukmelihat paket data mana yang berpotensimemicu ancaman, analis kartu kredit untukmemilah calon nasabah kartu kredit yangberpotensi melakukan kredit macet, pelakuretail untuk melihat karakteristik danperilaku pembelinya, sehingga dapat selalumenjual produk yang diinginkan olehcustomer, marketing untuk mengenaliindividu yang mempunya kemiripan faktordengan customer terbaik yang kita miliki,faktor ini dapat berupa faktor demografi,faktor usia, faktor kelas pendapatan, ataufaktor lainnya.Trend teknologi komputer mengarahpada pentingnya pemakaian data mining.Agar mudah memahami tentang pengertiandata mining dan penerapannya maka tulisanini membahas dan memberikan contohtentang penggunaan data mining untukmemprediksi waktu yang diperlukan untukmengantar pesanan bila di hitungberdasarkan data-data yang ada.Banyak definisi dari istilah data miningdan belum ada yang dibakukan ataudisepakai semua pihak. Namun demikianistilah ini memiliki hakikat (notion) sebagaidisiplin ilmu yang tujuan utamanya adalahuntukmenemukan,menggaliataumenambang pengetahuan dari data atauinformasi yang kita miliki. Kegiatan inilahyang menjadi garapan atau perhatian utamadari disiplin ilmu data mining. (Susanto,Suryadi, 2010)2.2. Unsur-Unsur KreditSetiap pemberian kredit sebenarnya jikadijabarkan secara mendalam mengandungbeberapa arti. Jadi dengan menyebutkan katakredit sudah terkandung beberapa arti. Ataudengan kata lain pengertian kata kredit jikadilihat secara utuh mengandung beberapamakna, sehingga jika kita bicara kredit makatermasuk membicarakan unsur-unsur yangterkandung di dalamnya.Adapun unsur-unsur yang terkandungdalam pemberian suatu fasilitas kreditadalah sebagai berikut:1. KepercayaanYaitu syarat keyakinan pemberi kredit(bank) bahwa kredit yang diberikanbank berupa uang, barang atau jasa akanbenar-benar diterima kembali di masatertentu di masa datang. Kepercayaan inidiberikan oleh bank, karena sebelumdana dikucurkan, sudah dilakukanpenelitian dan penyelidikan yangmendalam tentang nasabah. Penelitiandan penyelidikan dilakukan untukmengetahuikemauandankemampuannya dalam membayar kredityang disalurkan.2. KesepakatanDi samping unsur kepercayaan di dalamkredit jugamengandung unsurekesepakatan antara si pemberi kreditdengan si penerima kredit. Kesepakatanini dituangkan dalam suatu perjanjian dimanamasing-masingpihakmendatangani hak dan kewajibanyamasing-masing.Kesepakatanpenyaluran kredit dituangkan dalamakad kredit yang ditangani oleh keduabelah pihak bank dan nasabah.3. Jangka WaktuSetiap kredit yang diberikan pastimemiliki jangka waktu teretentu, jangkawaktu ini mencakup masa pengembaliankredit yang telah disepakati. Hampirdapat dipastikan bahwa tidak ada kredityang tidak memiliki jangka waktu.4. Resiko

Faktor resiko kerugian dapat diakibatkandua hal yaitu resiko kerugian yangdiakibatkan nasabah sengaja tidak maumembayar kredit nya pada hal mampudan resiko kerugian yang diakibatkankarena nasabah tidak sengaja yaituakibat terjadinya musibah sepertibencana alam. Penyebab tidak tertagihsebenarnya dikarenakan adanya suatutenggang waktu pengembalian (jangkawaktu). Semakin panjang jangka waktusuatu kredit semakin besar resikonyatidak tertagih, demikian pula sebaliknya.Resiko ini menjadi tanggungan bank,baik resiko yang disengaja maupunresiko maupun resiko yang tidakdisengaja.5. Balas JasaAkibat pemberian fasilitas kredit banktentu mengharapkan suatu keuntungandalam jumlah tertentu. Keuntungan ataspemberian suatu kredit atau jasa tersebutyang kita kenal dengan nama bunga bagibank prinsip konvensional. Balas jasadalam bentuk bunga, biaya provisi dankomisi serta biaya administrasi kredit inimerupakan keuntungan utama bank.Sedangkan bagi bank yang berdasarkanprinsip syari’ah balas jasanya ditentukandengan bagi hasil. (Kasmir, 2000: 7476)2.3. Naïve Bayes Clasifier2.3.1. Teorema BayesBayes merupakan teknik prediksiberbasis probabilistik sederhana yangberdasar pada penerapan teorema Bayes(atau aturan Bayes) dengan asumsiindependensi(ketidaktergantungan)yang kuat (naïf). Dengan kata lain,Naïve Bayes, model yang digunakanadalah “model fitur independen”.Dalam Bayes (terutama NaïveBayes), maksud independensi yang kuatpada fitur adalah bahwa sebuah fiturpada sebuah data tidak berkaitan denganada atau tidaknya fitur lain dalam datayang sama.Prediksi Bayes didasarkan padateorema Bayes dengan formula umumsebagai berikut :( ) ( )( )( )Penjelasan dari formula (3)tersebut adalah sebagai berikut :ParameterKeteranganP(H E)Probabilitasakhirbersyarat (conditional probability) suatuhipotesis H terjadi jikadiberikan bukti (evidence) Eterjadi.P(E H)Probabilitassebuahbukti E terjadi akan memengaruhihipotesis H.P(H)Probabilitasawal(priori) hipotesis uktiyanglain.Ide dasar dari aturan Bayes adalahbahwa hasil dari hipotesis atau peristiwa(H) dapat diperkirakan berdasarkan padabeberapa bukti (E) yang diamati. Adabeberapa hal penting dari aturan Bayestersebut, yaitu :1. Sebuah probabilitas awal/prior Hatau P(H) adalah probabilitas darisuatu hipotesis sebelum buktidiamati.2. Sebuah probabilitas akhir H atauP(H E) adalah probabilitas dari suatuhipotesis setelah bukti diamati.

2.3.2. Naïve Bayes Untuk KlasifikasiKaitan antara Naïve Bayes denganklasifikasi, korelasi hipotesis dan buktiklasifikasi adalah bahwa hipotesis dalamteorema Bayes merupakan label kelasyang menjadi target pemetaan dalamklasifikasi, sedangkan bukti merupakanfitur-fitur yang menjadikan masukkandalam model klasifikasi. Jika X adalahvektor masukkan yang berisi fitur dan Yadalah label kelas, Naïve Bayesdituliskan dengan P(X Y). Notasitersebut berarti probabilitas label kelasY didapatkan setelah fitur-fitur Xdiamati. Notasi ini disebut jugaprobabilitas akhir (posterior probability)untuk Y, sedangkan P(Y) disebutprobabilitas awal (prior probability) Y.Selama proses pelatihan harusdilakukan pembelajaran probabilitasakhir P(Y X) pada model untuk setiapkombinasi X dan Y bedasarkaninformasi yang didapat dari data latih.Dengan membangun model tersebut,suatu data uji X’ dapat diklasifikasikandengan mencari nilai Y’ denganmemaksimalkan nilai P(X’ Y’) yangdidapat.Formulasi Naïve Bayes untukklasifikasi adalah :( ) ( )( )( )( )P(Y X) adalah probabilitas datadengan vektor X pada kelas Y. P(Y)adalah probabilitas awal kelas Y. ( )adalahprobabilitasindependen kelas Y dari semua fiturdalam vektor X. Nilai P(X) selalu tetapsehingga dalam perhitungan prediksinantinya kita tinggal menghitung bagian( ) ( ) dengan memilihyang terbesar sebagai kelas yag dipilihsebagai hasil prediksi. Sementaraprobabilitas independen ( )tersebut merupakan pengaruh semuafitur dari data terhadap setiap kelas Y,yang dinotasikan dengan :( ) ( )( )Setiap set fitur X {X1, X2, X3, , Xq}terdiri atas q atribut (q dimensi).Umumnya, Bayes mudah dihitunguntuk fitur bertipe kategoris seperti padakasus klasifikasi hewan dengan fitur“penutupkulitdengannilai{bulu,rambut, cangkang} atau kasusfitur “jenis kelamin” dengan nilai{pria,wanita}. Namun untuk fiturdengan tipe numerik (kontinu) adaperlakuan khusus sebelum dimasukkandalam Naïve Bayes. Caranya adalah :1. Melakukan diskretisasi padasetiap fitur kontinu danmengganti nilai fitur kontinutersebut dengan nilai nsformasikanfiturkontinu ke dalam fitur ordinal.2. tas untuk fitur kontinudan memperkirakan parameterdistribusidengandatapelatihan. Distribusi Gaussianbiasanyadipilihuntukmerepresentasikan probabilitasbersyarat dari fitur kontinupada sebuah kelas P(Xi Y),sedangkan distribusi Gaussiandikarakteristikkan dengan duaparameter : mean, µ dan varian,σ2. Untuk setiap kelas yj,probabilitas bersyarat kelas yjuntuk fitur Xi adalah :(( ) )(

Parameterbisa didapat darimean sampel Xi ( ̅ ) dari semua datalatih yang menjadi milik kelas yj,sedangkandapat diperkirakan dari2varian sampel (s ) dari data latih.2.3.3. Karakteristik Naïve BayesKlasifikasi dengan Naïve Bayes bekerjaberdasarkan teori probabilitas yangmemandang semua fitur dari datasebagai bukti dalam probabilitas. Hal inimemberikan karakteristik Naïve Bayessebagai berikut :1. Metode Naïve Bayes bekerja teguh(robust) terhadap data-data teristik berbeda (outliner).Naïve Bayes juga bisa menanganinilai atribut yang salah denganmengabaikan data latih selamaproses pembangunan model danprediksi.2. Tangguh menghadapi atribut yangtidak relevan.3. Atribut yang mempunyai korelasibisamendegradasikinerjaklasifikasi Naïve Bayes karenaasumsiindependensiatributtersebut sudah tidak ada.3. Motodologi Penelitian3.1. kasiklasifikasikelayakan kredit adalah menggunakanmetodologi waterfall langkah - langkahnyaadalah sebagai berikut :Gambar. 3.1 Metodologi PengembanganSoftware1. System EngineeringMencari dan mengumpulkan data-datayang dibutuhkan yang berkaitan denganpenilaian kelayakan pengambilan. Metodeyang digunakan untuk mengumpulkan dataadalah dengan metode wawancara.2. AnalisisPada tahapan ini dilakukan analisisterhadap hasil wawancara. Hasil dariananlisis ini adalah berupa sistemkebutuhanyangdigunakandalampengembangan aplikasi.3. DesignPada tahap ini dilakukan desain terhadapaplikasi yang dibuat dengan Desain yangdilakukan adalah dengan membuat diagramRancangan Arsitektur, Flowchart, ActivityDiagram, dan rancangan database yangdigunakan untuk aplikasi.4. CodingPada tahap ini dilakukan pembangunansystem dengan menggunakan bahasapemrograman PHP dan database MySQL.5. TestingAplikasi yang telah dibuat akandilakukan testing. Testing dilakukan agarsoftware bebas dari kesalahan, dan hasilnyaharus benar-benar sesuai dengan kebutuhanyang sudah didefinisikan atau direncanakan sebelumnya6. MaintenanceMelakukanperbaikan-perbaikanterhadap aplikasi yang telah dibuat.Penambahan dan pengurangan fitur bila

diperlukan, serta penanganan bugs padaaplikasi merupakan rangkaian dari kegiatanini.3.2. Analisis Perhitungan Metode NaïveBayes3.2.1. KriteriaKriteriayangdigunakandalampenentuan kelayakan pengajuan kredit diMandiri Kredit Mikro adalah :a. Usia calon nasabahb. Pekerjaan calon nasabahc. Jaminan kreditd. Pendapatan calon nasabah (perbulan)e. Jumlah permohonan kreditf. Jumlah anggota keluargag. Cara pembayaranh. Klas kelayakanKriteria yang digunakan dalamsistem ini sesuai kebutuhan yangdigunakan di Perusahaan. Nilai kriteriaini akan diimplementasikan denganmenggunakan metode naïve bayes yangmenggunakan semua kriteria yang telahdiperoleh dari Mandiri Kredir.3.2.2. Perhitungan Data TrainingTabel 3.1 Data TrainingPekerjaan, Jaminan Kredit, Penghasilan,Jumlah Pengajuan Kredit, Anggota danLama kredit menggunakan algoritmaNaive Bayes.Apabila diberikan input baru, makaklasifikasi data calon nasabah dapatditentukan melalui langkah berikut :1. Data InputanTabel 3.2 Data Testing2. Menghitung jumlah class / label P(Y Layak) (Jumlah data layak pada datapenelitian dibagi dengan jumlahkeseluruhan data) P(Y Tidak Layak) (Jumlah data tidak layak padadata penelitian dibagi denganjumlah keseluruhan data)3. Menghitung jumlah kasus yangsama dengan class yang sama P(Usia 26-30 Y Layak) P(Usia 26-30 Y TidakLayak) P(Pekerjaan Wiraswasta Y Layak) P(Pekerjaan Wiraswasta Y Tidak Layak) P(Jaminan BPKB Mobil Y Layak) P(Jaminan BPKB Mobil Y Tidak Layak) P(Penghasilan 2,6Jt – 3Jt Y Layak) Berdasarkan tabel diatas dapatdihitung klasifikasi data nasabah apabiladiberikan input berupa Umur Nasabah,P(Penghasilan 2,6Jt – 3Jt Y Tidak Layak) P(Jml.Pengajuan Kredit 2,6Jt– 3Jt Y Layak)

P(Jml.Pengajuan Kredit 2,6Jt– 3Jt Y Tidak Layak) P(AnggotaKeluarga 4-6Orang Y Layak) P(Anggota Keluarga 4-6Orang Y Tidak Layak) P(Lama Kredit 24 Bulan Y Layak) P(Lama Kredit 24 Bulan Y Tidak Layak) 4. Kalikan semua hasil variabel Layakdan Tidak Layak.Layak P(Usia 26-30 Y Layak) *P(Pekerjaan Wiraswasta Y Layak) *P(Jaminan BPKBMobil Y Layak) *P(Penghasilan 2,6Jt– 3Jt Y Layak) *P(Jml.PengajuanKredit 2,6Jt – 3Jt Y Layak) *P(Anggota Keluarga 4-6 Orang Y Layak) *P(Lama Kredit 24Bulan Y Layak) 0.45 * 0.64 * 0.27 *0.27 * 0.54 * 0.36 * 0.36 0.001469Tidak Layak P(Usia 2630 Y Tidak Layak) *P(Pekerjaan Wiraswasta Y Tidak Layak) *P(Jaminan BPKBMobil Y Tidak Layak) *P(Penghasilan 2,6Jt– 3Jt Y Tidak Layak) *P(Jml.PengajuanKredit 2,6Jt– 3Jt Y TidakLayak)*P(Anggota Keluarga 4-6 Orang Y Tidak Layak) *P(Lama Kredit 24Bulan Y Tidak Layak) 0.33 * 0.44 * 0.44 *0.11 * 0 * 0.44 * 0.22 05. Bandingkan hasil class Layak danTidak LayakDari hasil diatas, terlihat bahwa nilaiprobabilitas tertinggi ada pada kelas(P Layak)sehinggadapatdisimpulkan bahwa status calonnasabah tersebut termasuk kegolongan class “Layak”4. Implementasi Sistem4.1. Menjalankan AplikasiSetelah melalui tahapan perancangan sistem,database selanjutnya adalah implementasisistem. Implementasi sistem merupakanbagian akhir daripada perancangan sistemyang telah dibangun dimana tahapan ini jugamerupakan testing program.4.1.1. Halaman UtamaPada halaman utama adalah halamanyang pertamakali akan dijalankan ggunakanalgoritma Naïve Bayes dan studikasus diBankMandiriKredirMikro,implementasi halaman utama dapatdilihat pada gambar 4.1 dibawah ini :Gambar 4.1 Halaman UtamaPada halaman utama terdapatbeberapa menu Dashboard, Kriteria,Data Training dan Implementasi NaïveBayes, untuk fungsi pada setiap menuberfungsi yang berbeda-beda untuk lebihrincinya dapat dilihat sebagai berikut.

4.1.2. Halaman KriteriaHalaman kriteria digunakan untuksebagai parameter penilaian calonnasabah, kriteria yang digunakan adalahUmur Nasabah, Pekerjaan, JaminanKredit, Penghasilan, Jumlah Pengajuan,Anggota Keluarga, Lama Kredit danKlas Kelayakan, implementasi di sistemdapat dilihat pada gambar sebagaiberikut :Gambar 4.3. Halaman Data TrainingPada halaman data training terdapattombol tambah nasabah yang digunakanuntuk menambahkan nasabah baru yangakan mengarahkan kehalaman formtambah nasabah dan tombol editdigunakan untuk melakukan edit datanasabah, form tambah atau edit datadapat dilihat pada halaman dibawah ini :Gambar 4.4 Halaman Form TambahNasabah dan Edit NasabahGambar 4.2 Halaman KriteriaHalaman kriteria diatas terdapatsubkriteri yang nantinya akan dijadikannilai dari setiap nasabah sehingga setiapnasabah hanya memiliki satu subkriteriadari tiap-tiap kriteria yang ditentukan.4.3.1. Halaman Data TrainingHalaman data training disini digunakansebagai kamus data yaitu data acuanuntuk melakukan klasifikasi kelayakannasabah, data training disini adalah datanasabah yang sudah dipastikan nasabahtersebut tergolong klasifikasi Layak,atau Tidak Layak. Untuk implementasihalaman data training dapat dilihat padagambar dibawah ini :4.3.2. Implementasi Naïve BayesHalaman implementasi naïve bayesadalah halaman untuk mengklasifikasicalon nasabah untuk memperoleh kelasnasabah, nantinya akan termasuk kekelas Layak atau Tidak Layak. Untuktampilan klasifikasi nasabah sepertiberikut :

Gambar 4.5 Halaman FormImplementasi Naïve BayesPada gambar diatas user harusmengimput data nasabah dan nilaikriteria nasabah jika data sudah diisimaka user harus mengklik menu hitungklasifikasi untuk memperoleh nasabahtersebut tergolong kekelas layak maupuntidak layak. Untuk tampilan contohperhitungan dan implementasi algoritmaNaïve Bayes sebagai berikut :Apabila diberikan input baru, makaklasifikasi data calon nasabah dapatditentukan melalui langkah berikut :1. Menghitung jumlah class / label P(Y Layak) 11/20 (Jumlahdata Layak pada datapenelitian dibagi denganjumlah keseluruhan data) P(Y Tidak Layak) 9/20(Jumlah data TidakLayak pada data penelitiandibagidenganjumlahkeseluruhan data)2. Menghitung jumlah kasus yangsama dengan class yang sama P(Umur Nasabah 26 - 30Tahun Ι Y Layak) 5/11 P(Umur Nasabah 26 - 30Tahun Ι Y Tidak Layak) 3/9 P(Pekerjaan Wiraswasta ΙY Layak) 7/11 P(Pekerjaan Wiraswasta ΙY Tidak Layak) 5/9 P(Jaminan Kredit BPKBMobil Ι Y Layak) 3/11 P(Jaminan Kredit BPKBMobil Ι Y Tidak Layak) 4/9 P(Penghasilan 1,5 Jt - 2 JtΙ Y Layak) 2/11 P(Penghasilan 1,5 Jt - 2 JtΙ Y Tidak Layak) 4/9 P(Jumlah Pengajuan 5 Jt- 10 Jt Ι Y Layak) 6/11 P(Jumlah Pengajuan 5 Jt- 10 Jt Ι Y Tidak Layak) 0/9 P(Anggota Keluarga 1 - 3Orang Ι Y Layak) 6/11 P(Anggota Keluarga 1 - 3Orang Ι Y Tidak Layak) 3/9 P(Lama Kredit 6 Bulan ΙY Layak) 1/11 P(Lama Kredit 6 Bulan ΙY Tidak Layak) 2/93. Kalikan semua hasil classLayak, Tidak Layak P( Laki-Laki Y Layak) *P(Umur Nasabah 21 - 25Tahun Y Layak) *P( Y Layak) *P(Pekerjaan PegawaiNegeri Sipil Y Layak) *P(Jaminan Kredit SK.Kerja Y Layak) *P(Penghasilan 1 Jt - 1,5 Jt Y Layak) *P(Jumlah Pengajuan 5 Jt 10 Jt Y Layak) *P(Anggota Keluarga 1 - 3Orang Y Layak) *

P(Lama Kredit 6 BulanY Layak) *P(Klas Kelayakan LayakY Layak) 7/11 x 3/11 x 9/11 x 4/113/11 x 2/11 x 6/11 x 6/111/11 x 11/11 0,0001 xxP( Laki-Laki Y TidakLayak) *P(Umur Nasabah 21 - 25Tahun Y Tidak Layak) *P( Y Tidak Layak) *P(Pekerjaan PegawaiNegeri Sipil Y TidakLayak) *P(Jaminan Kredit SK.Kerja Y Tidak Layak) *P(Penghasilan 1 Jt - 1,5 Jt Y Tidak Layak) *P(Jumlah Pengajuan 10 Jt- 15 Jt Y Tidak Layak) *P(Anggota Keluarga 4 - 6Orang Y Tidak Layak) *P(Lama Kredit 12 Bulan Y Tidak Layak) *P(KlasKelayakan TidakLayak Y Tidak Layak) 4/9 x 3/9 x 5/9 x 4/9 x 1/9 x3/9 x 3/9 x 4/9 x 2/9 x 9/9 0,0000Bandingkan hasil class Layak danTidak Layak Dari hasil diatas, terlihatbahwa nilai probabilitas tertinggi adapada kelas (P Layak) sehingga dapatdisimpulkan bahwa status calon nasabahtersebut termasuk ke golongan class“Layak” dengan nilai probalitas : 0,00015. Kesimpulan dan Saran5.1. KesimpulanBerdasarkan hasil analisa dan perancanganalgoritma naïve bayes untuk menilaikelayakankreditinimenghasilkankesimpulan bahwa Sistem Klasifikasidengan Metode Naïve Bayes yang dibangundapat digunakan untuk menyeleksi calonnasabah dengan baik, sehingga dapatmembantu dalam memberikan kredit yangsesuai dengan kriteria yang ada.5.2. SaranUntuk memperoleh hasil yang lebihmaksimal dan lebih baik lagi, diperlukansaran dari berbagai pihak. Adapun sarandari penulis yaitu:1. Bagi pengembang berikutnya agardapat langsung mengolah datalangsungmengaksesdatabaseperusahaan secara langsung.2. Bagi pengembang berikutnya agarmenggunakan algoritma yang laindan membandingan antar algoritmamisalkan ID3 dan Naïve Bayessehingga algoritma manakah yangpaling efisien jika digunkaan dalamstudikasus menilai kelayakan kredit.Daftar Pustaka[1] Abidin Taufik Fuadi. 2009. BayesianTeorem, Data Maining dan InformationRetrieval Research Group[2] Abdullah,Faisal, 2005.ManajemenPerbankan, Cetakan Ketiga, UMM Press,Malang.[3] Amanina, Ruzanna. 2011. Evaluasi terhadapSistem Pengendalian Intern pada dip.ac.id. Semarang, diaksestanggal 19 September 2015.[4] Basuki, Akhmad. 2006.”Metode Bayes”.Kuliah PENS-ITS.[5] Bodily, S.E 1985. Modern Decision Making;A Guide to Modeling with Decision SupportSystems. MeGraw Hill, Singapore.

[6] DeSanctis, Gerardine. And R. B. Gallupe.Group Decision Support System: Ā NewFrontier. Database. 1985, Singapore.[7] Hardanto, Sulad, 2006. Manajemen ResikoBagi Bank Umum, Elex Media Komputindo,Jakarta.[8] Lanino, Fajar. 2014. Definisi Dan KlasifikasiIlmu Logika si-dan-klasifikasi-ilmu-logika.html[9] Nugroho,Bunafit.2004.AplikasiPemrograman Web Dinamis dengan PHP danMySQL. Yogyakarta: Gava Media.[10]Pirdaus.2012.AnalisisSistemPengendalian Intern Pemberian Kredit padaBadan Usaha Milik Desa (BUMDes) BinaUsaha Desa Kepenuhan Barat. JurusanAkuntansi. Fakultas Ekonomi. UniversitasPasir i Pengendalian Internal dalamSistem Pemberian Kredit Usaha Mikro KecilMenengah : Studi Kasus pada PT. BankRakyat Indonesia (Persero) Tbk. UniversitasGunadarma.

kelayakan kredit. Mandiri Kredit Mikro adalah salah satu perusahaan yang memberi jasa kegiatan kredit, khususnya untuk pengembangan usaha produktif maupun konsumtif skala mikro. Bagi perusahaan kredit, ada risiko yang harus dihadapi yaitu tidak tepat waktunya pembayaran atau bahkan kegagalan pembayaran dari kredit yang disalurkannya.