Implementasi K-Nearest Neighbor dengan Pemilihan Fitur pada Aplikasi Prediksi Kelayakan Pengajuan Pinjaman

Implementation of K-Nearest Neighbor With Feature Selection on Loan Application Eligibility Prediction Application

    Dalam kehidupan manusia tidak lepas dari yang dinamakan pemenuhan kebutuhan sehari-hari. Baik itu kebutuhan primer ataupun sekunder. Dalam pemenuhan kebutuhan tersebut pasti dibutuhkan dengan alat transaksi yang disebut dengan uang. Uang dapat didapatkan oleh manusia dari berbagai macam cara, mulai dari bekerja sebagai pencaharian utama atau primer hingga melakukan peminjaman uang sebagai pendapatan penunjang seorang manusia selain bekerja. Pada umumnya proses seleksi pemberian pinjaman, pihak kreditur akan melakukan proses seleksi dengan metode analisis kredit atau bisa disebut dengan prinsip 5C. Namun seiring dengan majunya komputerisasi proses tersebut bisa diprediksi dengan menggunakan salah satu metode dalam data mining. Metode tersebut adalah K-Nearest Neighbor dengan seleksi fitur menggunakan korelasi Pearson. Fitur dengan peringkat tiga teratas dengan hasil korelasi paling tinggi yang akan digunakan untuk proses prediksi.  Penelitian ini bertujuan untuk membantu kreditur dalam memprediksi kelayakan pengajuan pinjaman seorang debitur. Selama uji coba dengan memakai fitur yang telah terseleksi dan nilai K sebesar 3. Pencatatan dilakukan saat hasil kinerja terendah hingga tertinggi algoritma K-NN.  Kinerja terendah terjadi pada saat rasio perbandingan 5% data uji dan 95% data latih. Hal tersebut diindikasikan dengan hasil pengukuran MAE sebesar 0,26315789, Precission sebesar 76,92 , Recall sebesar 83,3 dan Accuracy sebesar 73,68%. Kemudian kinerja tertinggi terjadi pada saat rasio perbandingan 20% data uji dan 80% data latih. Hal tersebut diindikasikan dengan hasil pengukuran MAE sebesar 0, Precission sebesar 100 , Recall sebesar 100 dan Accuracy sebesar 100%.

Kata Kunci – Aplikasi, Prediksi, K-Nearest Neighbor, Kredit, Seleksi Fitur.

In human life can not be separated from the so-called fulfillment of daily needs. Whether it is primary or secondary needs. In fulfilling these needs, it must be needed with a transaction tool called money. Money can be obtained by humans from various ways, ranging from working as a primary or primary livelihood to borrowing money as a supporting income for a human being in addition to work. In general, the loan selection process, the creditor will conduct a selection process with a credit analysis method or can be called the 5C principle. But along with the advancement of computerization the process can be predicted using one of the methods in data mining. The method is K-Nearest Neighbor with feature selection using Pearson correlation. Features with the top three rankings with the highest correlation results that will be used for the prediction process.  This research aims to assist lenders in predicting the feasibility of applying for a debtor's loan. During the trial using the selected features and a K value of 3. Recording is done when the lowest to highest performance results of the K-NN algorithm.  The lowest performance occurs at a time when the ratio compares to 5% of test data and 95% of training data. This is indicated by MAE measurement results of 0.26315789, Precision of 76.92, Recall of 83.3 and Accuracy of 73.68%. Then the highest performance occurs at the time of comparison ratio of 20% test data and 80% training data. This is indicated by MAE measurement results of 0, Precision of 100, Recall of 100 and Accuracy of 100%.

Keywords – Application, Prediction, K-Nearest Neighbor, Credit, Feature Selection.