Klasifikasi Kelayakan Calon Kreditur menggunakan Metode Syntethic Minority Over-Sampling Technique (SMOTE) dan K-Nearest Neighbor (KNN)

Abstrak

Dalam klasifikasi, salah satu permasalahan yang sering ditemui adalah jumlah data kelas yang tidak seimbang. Data tidak seimbang ini terjadi ketika jumlah data dari satu kelas memiliki jumlah yang lebih banyak atau lebih sedikit dibandingkan dengan kelas-kelas lainnya. Kelas dengan data yang tidak seimbang ini akan mengakibatkan hasil klasifikasi akan condong kearah kelas yang memiliki jumlah data lebih banyak. Beberapa classifier tidak mampu menghasilkan akurasi yang maksimal ketika digunakan pada data yang tidak seimbang. Untuk mengatasi permasalahan data tidak seimbang dapat menggunakan metode Synthetic Minority Over-Sampling Technique (SMOTE). Metode ini akan menghasilkan data sintetis baru yang akan digunakan sebagai data latih untuk proses klasifikasi. Metode yang digunakan untuk klasifikasi dalam penelitian ini adalah metode K-Nearest Neighbor (KNN).  Nilai akurasi yang didapatkan ketika data diklasifikasikan dengan menggunakan metode KNN tanpa menggunakan SMOTE adalah 60%. Sedangkan ketika data tidak seimbang tersebut diatasi terlebih dahulu menggunakan metode SMOTE dan kemudian diklasifikasikan menggunakan metode KNN, nilai akurasi yang didapatkan adalah 85%. Dari hasil pengujian, didapatkan nilai parameter terbaik k=1 dan N=100.