<![CDATA[Koperasi memiliki peranan penting terutama untuk masyarakat kecil dan menengah. Salah satu kendala yang dirasakan oleh koperasi adalah analisa pemberian kredit yang dilakukan secara manual dan hanya berdasarkan kedekatan secara personal dengan anggota sehingga menyebabkan terjadinya kredit – kredit macet yang tidak diduga. Oleh karena itu perlu adanya perhitungan yang sistematis dalam pemberian kredit kepada para peminjam. Teknik klasifikasi data mining merupakan salah satu teknik yang bisa digunakan dalam menentukan kelayakan kredit. Tujuan dari penelitian ini adalah untuk menentukan metode terbaik untuk klasifikasi kelayakan kredit koperasi menggunakan software Rapidminer dengan membandingkan perhitungan algoritma CART, Naive Bayes, optimasi CART + PSO, dan Naive Bayes + PSO. Data yg digunakan adalah 113 data anggota koperasi. Dari perhitungan dengan acuan kriteria pekerjaan, pendapatan, usia, jenis kelamin, jumlah pinjaman, jangka waktu, akan memperoleh metode terbaik untuk klasifikasi kelayakan kredit. Metode terbaik yang dihasilkan dari penelitian ini adalah metode Naive Bayes + PSO. Nilai accuracy yang diperoleh dari penelitian ini adalah 96,43%, nilai recall 94,12%, niilai precision 100%. Dengan nilai AUC sebesar 0,963 , penelitian ini termasuk dalam klasifikasi baik. Hasil dari penelitian ini dapat digunakan sebagai salah satu pertimbangan untuk klasifikasi kelayakan kredit pada koperasi simpan pinjam. AbstractCredit Union have an important role especially to the small and medium society. One of the problem that credit union have is an analyzing credit manually and only based on closeness personally that can be an unexpected bad credit for credit union. Therefore, it is necessary to build a systematic calculation to give a credit for debtor. Classification technic in data mining is one of the technic that can use to classify the credit properness. The purpose of this study is to get the best method to classify the credit properness using Rapidminer by compare the calculation of CART, Naive Bayes and the optimization of CART+PSO and Naive Bayes+PSO. The study using 113 data member of credit union. From the calculation reference to the criteria of occupation, income, age, gender, loan amount, loan term, will get the best method for this study. The best method from this study is the Naive Bayes+PSO. The accuracy value obtained from this study was 96.43%, the recall value was 94.12%, and the precision value is 100%. AUC value of 0.963 indicates that this study is included in the good classification. The results of this study can be used as a consideration for the classification of the credit properness of credit union.]]>
