Klasifikasi Algoritma Naive Bayes Dalam Memprediksi Tingkat Kelancaran Pembayaran Sewa Teras UMKM

Untuk meminimalisir jumlah penyewa teras untuk UMKM di depan toko Indomaret yang terlambat (out standing) setiap tahunnya dan untuk mengoptimalkan penyewa yang lancar setiap tahunnya. Salah satu cara yang bisa dilakukan manajemen PT. Indomarco Prismatama untuk membantu menentukan prediksi kelancaran...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: Rizal Rachman, Rissa Nurfitriana Handayani
Formato: article
Lenguaje:ID
Publicado: Universitas Bina Sarana Informatika, LPPM 2021
Materias:
Acceso en línea:https://doaj.org/article/05d3fdd149f64b44b22373822ee4c01b
Etiquetas: Agregar Etiqueta
Sin Etiquetas, Sea el primero en etiquetar este registro!
Descripción
Sumario:Untuk meminimalisir jumlah penyewa teras untuk UMKM di depan toko Indomaret yang terlambat (out standing) setiap tahunnya dan untuk mengoptimalkan penyewa yang lancar setiap tahunnya. Salah satu cara yang bisa dilakukan manajemen PT. Indomarco Prismatama untuk membantu menentukan prediksi kelancaran pembayaran sewa teras UMKM adalah dengan melakukan pengolahan data histori dari penyewa dengan memanfaatkan teknik data mining menggunakan algoritma naïve bayes. Naïve Bayes merupakan salah satu algoritma data Mining yang berfungsi memprediksi banyaknya penyewa yang terlambat pembayaran. Metode yang digunakan adalah CRISP-DM, melalui proses business understanding, data understanding, data preparation, modeling, evaluation dan deployment. Algoritma yang digunakan untuk meprediksi probabilitas adalah algoritma Naïve Bayes. Data yang digunakan berjumlah 504 data, dengan atribut yang sudah di klasifikasikan berdasarkan kelas yang dibutuhkan Area Manager, Kota, Jenis Kelamin Penyewa, Rata-rata Umur Penyewa, dan Status Pembayaran. Terdapat beberapa Probabilitas yang akan mengitung ke akuratan prediksinya, dan setelah di uji dengan menggunakan algoritma naïve bayes, maka diperoleh hasil persentasi Accuracy 81.81%, Precision 66.66%, Recall 100% dan AUC 0.800 Untuk keakuratan prediksi.