Analisis Perbandingan Algoritma K-Nearest Neighbor Dan Naïve Bayes Classifier Untuk Klasifikasi Kelayakan Akan Penerimaan Barang Gadai Pada CV. Malau Jaya Gadai Pekanbaru

Syafira, Mely (2022) Analisis Perbandingan Algoritma K-Nearest Neighbor Dan Naïve Bayes Classifier Untuk Klasifikasi Kelayakan Akan Penerimaan Barang Gadai Pada CV. Malau Jaya Gadai Pekanbaru. Diploma thesis, Universitas Lancang Kuning.

	Text 1855201179_BAB-I_VI_DAFTAR-PUSTAKA.pdf Download (715kB)
	Text 1855201179_BAB-II_sampai_SEBELUM-BAB-TERAKHIR.pdf Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

Salah satu permasalahan yang dihadapi oleh perusahaan yang bergerak dibidang jasa gadai ini adalah harus selalu memperhatikan kelayakan nilai peminjaman berdasarkan barang yang digadai. Terkadang sering juga para penggadai tidak datang kembali setelah menitipkan barangnya ke perusahaan dan tidak melunaskannya. Apabila nilai dari barang tidak sesuai dan sejumlah uang yang dipinjamkan terlalu besar jika dibandingkan dengan nilai barang gadainya maka perusahaan akan merugi. Perlu adanya sebuah cara untuk mengetahui layak atau tidak layaknya sebuah barang gadai diterima oleh perusahaan dan nilai peminjaman yang akan diberikan ke penggadai. Adapun cara untuk mengetahuinya dapat diklasifikasikan dengan teknik klasifikasi datamining menggunakan metode K�Nearest Neighbor dan metode Naïve Bayes. Analisis yang dilakukan dnegan perhitungan manual dan pegujian dengan tools Rapidminer menghasilkan tingkat keakuratan dari perbandingan kedua metode Algoritma K-Nearest Neighbor dan Naïve Bayes dalam memprediksi klasifikasi kelayakan penerimaan barang gadai digunakan rumus Confusion Matrix yang menghasilkan tingkat akurasi dari metode K-Nearest Neighbor sebesar 40% sedangkan metode Naïve Bayes memiliki Nilai Accuracy sebesar 20%, sehingga dapat kita tentukan bahwa ketepatan nilai akurasi dari prediksi dengan metode K-Nearest Neighbor adalah yang lebih baik jika dibandingkan dengan metode Naïve Bayes.

Actions (login required)

View Item