Data yang menumpuk tidak ada artinya kalau tidak pernah dibaca. Kami bantu mengolahnya jadi angka yang bisa dipakai mengambil keputusan.
Halaman ini untuk pengerjaan Penilaian Kelayakan Kredit Nasabah dengan Naive Bayes dan Random Forest menggunakan RapidMiner. Proyek ini menilai kelayakan kredit 3.000 nasabah fiktif sebuah lembaga pembiayaan dengan Naive Bayes dan Random Forest. Dua model dibandingkan pada data uji yang sama lewat akurasi, precision, recall, matriks konfusi, dan kurva ROC.
Yang Anda Terima
- Proses RapidMiner (.rmp) siap jalan, lengkap dengan pengaturan operator yang bisa Anda buka dan ubah
- Dataset yang sudah dibersihkan: duplikat, format berantakan, dan nilai kosong dirapikan dulu
- Hasil analisis berupa tabel CSV/Excel, misalnya akurasi random forest (data uji)
- Laporan interpretasi manajerial dalam bahasa yang dimengerti orang non-teknis, lengkap dengan rekomendasi tindakan
- Sesi penjelasan hasil dan panduan singkat menjalankan ulang prosesnya
Operator yang Dipakai
Read CSV, Remap Binominals, Split Data, Multiply, Naive Bayes, Random Forest, Apply Model, Performance (Binominal Classification), Performance to Data, Write CSV.
Contoh Hasil pada Proyek Portofolio
- Akurasi Random Forest (data uji): 83,9%
- AUC Random Forest: 0,872
- AUC Naive Bayes: 0,866
- Recall nasabah macet (Random Forest): 46,6%
- Recall nasabah macet (Naive Bayes): 63,7%
Bagaimana Prosesnya
- Pemetaan pertanyaan — kami pastikan dulu keputusan apa yang mau diambil dari data ini
- Audit data — cek kelengkapan dan kualitas data sebelum dianalisis
- Pengolahan dan pemodelan — proses dijalankan di RapidMiner, asumsi dan parameter dicatat terbuka
- Review bersama — hasil dibahas, arah analisis bisa disesuaikan
- Serah terima — file proses, dataset bersih, dan laporan interpretasi
Biasanya Dipakai Untuk
- Mahasiswa Manajemen Keuangan dan Perbankan
- Analis kredit di koperasi atau lembaga pembiayaan kecil
- Pengguna RapidMiner yang ingin membandingkan dua algoritma sekaligus



