Analisis Perbandingan Metode Naïve Bayes dan Decision Tree C4.5 untuk Meningkatkan Kualitas Sampling dan Efisiensi Biaya (Studi Kasus: PT. BFI Finance Tbk)
Main Article Content
Abstract
Penelitian ini bertujuan menganalisis komparasi metode Naïve Bayes dan Decision Tree C4.5 dalam mengoptimalkan proses sampling audit pada PT BFI Finance Tbk. Studi dilakukan melalui pendekatan kuantitatif dengan menggunakan dataset 491 kontrak, terdiri dari 461 data latih dan 30 data uji. Variabel independen mencakup angsuran, lama hari menunggak, sisa pokok hutang, dan jenis produk, sedangkan variabel dependen adalah hasil temuan audit. Metode penelitian melibatkan implementasi algoritma machine learning untuk mengklasifikasikan kualitas sampling. Hasil penelitian menunjukkan bahwa Decision Tree C4.5 memiliki akurasi lebih tinggi dibandingkan Naïve Bayes, dengan kemampuan superior dalam menangani kompleksitas data. Evaluasi performa algoritma mencakup metrik akurasi, presisi, recall, dan F1-score, yang mengindikasikan keunggulan Decision Tree C4.5 dalam meningkatkan efisiensi proses audit.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
References
[1] V. F. Nahuway, “Manajemen perkantoran modern di era digitalisasi: suatu tinjauan literatur,” Jurnal Administrasi Terapan, vol. 3, no. 1, pp. 303–314, Mar. 2024.
[2] H. Sunata, “Komparasi tujuh algoritma identifikasi fraud ATM pada PT. Bank Central Asia Tbk,” JATISI (Jurnal Teknik Informatika dan Sistem Informasi), vol. 7, no. 3, pp. 441–450, Dec. 2020, doi: 10.35957/jatisi.v7i3.471.
[3] A. N. Putri, “Penerapan Naïve Bayesian untuk perankingan kegiatan di Fakultas TIK Universitas Semarang,” Simetris : Jurnal Teknik Mesin, Elektro dan Ilmu Komputer, vol. 8, no. 2, p. 603, Nov. 2017, doi: 10.24176/simet.v8i2.1545.
[4] G.-Y. Sheu and N.-R. Liu, “Symmetrical and asymmetrical sampling audit evidence using a Naive Bayes Classifier,” Symmetry (Basel)., vol. 16, no. 4, p. 500, Apr. 2024, doi: 10.3390/sym16040500.
[5] H. Widigdo, “Fraud Detection pada transaksi perbankan menggunakan metode Naive Bayes,” Universitas Sanata Dharma, Yogyakarta, 2020.
[6] I. N. Putri, “Analisis dan deteksi fraud pada data panggilan menggunakan algoritma naïve bayes pada PT XYZ,” Universitas Telkom, Bandung, 2020.
[7] N. Hooda, S. Bawa, and P. S. Rana, “Optimizing fraudulent firm prediction using ensemble machine learning: a case study of an external audit,” Applied Artificial Intelligence, vol. 34, no. 1, pp. 20–30, Jan. 2020, doi: 10.1080/08839514.2019.1680182.
[8] N. Muñoz-Izquierdo, M. J. Segovia-Vargas, M.-M. Camacho-Miñano, and Y. Pérez-Pérez, “Machine learning in corporate credit rating assessment using the expanded audit report,” Mach. Learn., vol. 111, no. 11, pp. 4183–4215, Nov. 2022, doi: 10.1007/s10994-022-06226-4.
[9] L. D. Perwara, F. A. Bachtiar, and I. Indriati, “Penerapan algoritma Decision Tree C4.5 untuk deteksi fraud pada kartu kredit dengan oversampling Synthetic Minority Technique (SMOTE),” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 4, no. 8, pp. 2664–2669, Aug. 2020.
[10] D. Wulandari, N. Lutfiyana, and H. Sumarno, “Metode algoritma Decision Tree C4.5 untuk analisis kelayakan kredit nasabah pada BSM KCP Kemang Pratama,” EVOLUSI : Jurnal Sains dan Manajemen, vol. 7, no. 2, Oct. 2019, doi: 10.31294/evolusi.v7i2.6757.
[11] L. N. Rani, “Klasifikasi nasabah menggunakan algoritma C4.5 sebagai dasar pemberian kredit,” INOVTEK Polbeng - Seri Informatika, vol. 1, no. 2, p. 126, Nov. 2016, doi: 10.35314/isi.v1i2.131.
[12] A. N. Kholifah and N. Insani, “Analisis klasifikasi pada nasabah kredit Koperasi X menggunakan Decision Tree C4. 5 dan Naïve Bayes,” Universitas Negeri Yogyakarta, Yogyakarta, 2016.
[13] D. A. Kurniawan and D. Kriestanto, “Penerapan Naãve Bayes untuk prediksi kelayakan kredit,” JIKO (Jurnal Informatika dan Komputer), vol. 1, no. 1, Feb. 2016, doi: 10.26798/jiko.2016.v1i1.10.
[14] N. Nuraeni, “Penentuan kelayakan kredit dengan algoritma Naïve Bayes Classifier: studi kasus Bank Mayapada mitra usaha Cabang PGC,” Jurnal Teknik Komputer AMIK BSI, vol. 3, no. 1, pp. 9–15, 2017.
[15] S. Shi, R. Tse, W. Luo, S. D’Addona, and G. Pau, “Machine learning-driven credit risk: a systemic review,” Neural Comput. Appl., vol. 34, no. 17, pp. 14327–14339, Sep. 2022, doi: 10.1007/s00521-022-07472-2.
[16] D. Yusuf and E. Sestri, “Metode Decision Tree dalam klasifikasi kredit pada nasabah PT Bank Perkreditan Rakyat (studi kasus : PT BPR Lubuk Raya Mandiri),” Jurnal Sistem Informasi (JUSIN), vol. 1, no. 1, pp. 21–28, Oct. 2020, doi: 10.32546/jusin.v1i1.855.
[17] M. Y. Sahroni, N. A. Setifani, and D. N. Fitriana, “Analisis perbandingan algoritma Naïve Bayes, k-Nearest Neighbor dan Neural Network untuk permasalahan class-imbalanced data pada kasus credit card fraud dataset,” Teknologi, vol. 11, no. 2, pp. 69–73, Jul. 2021, doi: 10.26594/teknologi.v11i2.2393.
[18] S. Syarli and A. A. Muin, “Metode Naive Bayes untuk prediksi kelulusan (studi kasus: data mahasiswa baru perguruan tinggi),” Jurnal Ilmiah Ilmu Komputer Fakultas Ilmu Komputer Universitas Al Asyariah Mandar, vol. 2, no. 1, pp. 22–26, Apr. 2016.