Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jurnal Ilmu Komputer
Suamanda Ika Novichasari
TI, UNW
Computer Science & IT

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Peningkatan Akurasi Kelayakan Kredit Menggunakan Particle Swarm Optimization Suamanda Ika Novichasari
Multimatrix Vol. 2 No. 2 (2020): Inovasi Teknologi Pada Masa Pademik Covid-19
Publisher : Universitas Ngudi Waluyo

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penentuan kelayakan kredit adalah sebuah proses untuk menentukan apakah seorang nasabah termasuk kredit baik atau kredit buruk. Dengan demikian teknik data mining yang tepat digunakan adalah klasifikasi. Naive Bayes Clasifier (NBC), Decision Trees (DT), dan Support Vector Machines (SVM) adalah algoritma yang digunakan untuk klasifikasi, namun akurasinya kurang maksimal. Particel Swarm optimization (PSO) yang digunakan untuk pembobotan atribut dapat meningkatkan kinerja dari algoritma klasifikasi. Penelitian ini membandingkan algoritma NBC-PSO, DT-PSO dan SVM-PSO. Dataset yang digunakan adalah German Credit Data. Proses validasi menggunakan tenfold-cross validation, sedangkan pengujian modelnya menggunakan confusion matrix dan kurva ROC. Hasil eksperimen menunjukan kinerja dari masing-masing algoritma meningkat ketika digabungkan dengan PSO, namun membutuhkan waktu eksekusi yang relatif lebih lama. Kata kunci— Kelayakan kredit, klasifikasi, data mining, NBC, Decision trees, SVM, PSO
Peningkatan Akurasi Kelayakan Kredit Menggunakan Particle Swarm Optimization Suamanda Ika Novichasari
Multimatrix Vol. 3 No. 1 (2021): Inovasi Teknologi Di Massa Pasca Pandemi Covid 19
Publisher : Universitas Ngudi Waluyo

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak— Penentuan kelayakan kredit adalah sebuah proses untuk menentukan apakah seorang nasabah termasuk kredit baik atau kredit buruk. Dengan demikian teknik data mining yang tepat digunakan adalah klasifikasi. Naive Bayes Clasifier (NBC), Decision Trees (DT), dan Support Vector Machines (SVM) adalah algoritma yang digunakan untuk klasifikasi, namun akurasinya kurang maksimal. Particel Swarm optimization (PSO) yang digunakan untuk pembobotan atribut dapat meningkatkan kinerja dari algoritma klasifikasi. Penelitian ini membandingkan algoritma NBC-PSO, DT-PSO dan SVM-PSO. Dataset yang digunakan adalah German Credit Data. Proses validasi menggunakan tenfold-cross validation, sedangkan pengujian modelnya menggunakan confusion matrix dan kurva ROC. Hasil eksperimen menunjukan kinerja dari masing-masing algoritma meningkat ketika digabungkan dengan PSO, namun membutuhkan waktu eksekusi yang relatif lebih lama. Kata kunci— Kelayakan kredit, klasifikasi, data mining, NBC, Decision trees, SVM, PSO
Co-Authors