BAB III ANALISA DAN PERANCANGAN. bidang perbankan yang berbadan hukum yang mempunyai Unit Usaha dibidang

Transkripsi

1 BAB III ANALISA DAN PERANCANGAN III.1. Analisis Masalah PT. Bank Muamalat merupakan sebuah perusahaan yang bergerak di bidang perbankan yang berbadan hukum yang mempunyai Unit Usaha dibidang Jasa Keuangan Syariah. Dalam kegiatan Operasionalnya PT. Bank Muamalat juga memberikan pinjaman uang ataupun kredit terhadap para nasabahnya baik nasabah perorangan ataupun nasabah perusahaan. Dalam suatu hari, di Bank Muamalat ini terjadi banyak transaksi dan salah satunya adalah transaksi pemberian kredit. Karena jumlahnya yang sangat banyak, data sulit untuk dianalisa, dari data yang sangat banyak tersebut Bank Muamalat ingin adanya pengolahan data lebih lanjut untuk menemukan informasi atau pengetahuan baru yang berguna sebagai pembantu dalam pengelompokan data, dalam hal ini yaitu pemberian kredit kepada para nasabah pada PT.Bank Muamalat. Informasi yang dibutuhkan adalah mengklasifikasi data nasabah yang melakukan peminjaman ataupun kredit dengan menggunakan atribut ataupun status pembayaran diantaranya,, dan pada data nasabah yang tersimpan dalam suatu database pada PT. Bank Muamalat, sehingga Bank Muamalat memiliki bekal pengetahuan atau informasi dan juga aturan dalam perbaikan sistem pemberian kredit untuk masing-masing produk yang ada pada PT.Bank Muamalat. 45

2 46 III.2 Penerapan Metode/Algoritma Metode Algoritma C4.5 merupakan salah satu algoritma klasifikasi yang popular pada kelompok algoritma pohon keputusan. Pada tahap belajar dari data penelitian, Algoritma C4.5 mengkonstruksi pohon keputusan. Pada tahan klasifikasi, pohon keputusan digunakan untuk memprediksi kelas dari sebuah kasus yang kelasnya belum diketahui. Prinsip kerja algoritma ini dalam proses belajar adalah membaca seluruh sampel atau kasus kemudian sampel atau kasus tersebut membentuk pohon keputusan. Algoritma C4.5 dan pohon keputusan merupakan dua model yang tak terpisahkan, karena untuk membangun sebuah pohon keputusan dibutuhkan Algoritma C4.5, ada beberapa tahapan dalam membuat sebuah pohon keputusan dalam Algoritma C4.5 : 1. Mempersiapkan data training. Data training biasanya diambil dari hasil data histori yang pernah terjadi sebelumnya atau disebut data masa lalu. 2. Menghitung akar dari pohon. Akar akn diambil dari atribut yang akan terpilih, debgan cara menghitung nilai gain atribut, nilai gain dari masing-masing yang paling tinggi akan menjadi akar pertama. Sebelum menghitung nilai gain dari atribut, hitung dulu nilai entropy. Untuk menghitung nilai entropy digunakan rumus : Entropy ( S ) Pyes Log 2 PYes PNo Log 2 PNo...(1) Keterangan : S = Entropy/Node

3 47 PYes = Nilai Variabel yang bernilai Yes/ Log2PYes = Nilai logaritma yang bernilai Yes/ PNo = Nilai Variabel yang bernilai No/Tidak Log2Pno = Nilai logaritma yang bernilai No/Tidak Kemudian hitung nilai gain menggunakan rumus : Informatio ngain ( S, A) Entropy ( S ) * Entropy ( Si )... ( 2) v Keterangan : S = Himpunan Kasus A = Fitur n = jumlah partisi atribut A Si = Proporsi Si terhadap S S = jumlah kasus pada S 3. Ulangi langkah ke 2 dan langkah ke 3 hingga semua record terpatisi. Strategi pembentukan pohon keputusan adalah yaitu mengubah data menjadi pohon keputusan dan aturan-aturan keputusan (Rule) Nilai rule didapat dari nilai yang diinput kedalam variable tersebut. Nilai tersebut berupa angka misalnya untuk nilai Charakter yaitu : 1. Nilai >61 maka bernilai 2. Nilai >31 - <60 maka bernilai 3. Nilai 0-30 maka bernilai Sebagai contoh kasus kita akan membuat suatu pengelompokan data nasabah pada masing-masing produk yang ada di PT.Bank Muamalat seperti KPR (Kredit Pemilikan Rumah), Fidusia, HT (Hak Tanggungan), Modal Kerja,

4 48 Pembiayaan Muamalat Umrah, Pembiayaan Investasi, Pembiayaan Anggota Koperasi, Pembiayaan LKM (Lembaga Keuangan Mikro) Syariah, Pembiayaan Rekening Koran Syariah, Pembiayaan Jangka Pendek BPRS IB (Bank Pembiayaan Rakyat Syariah Islamic Banking), Pembiayaan Hunian Syariah Bisnis, dan Pembiayaan IB (Islamic Bangking) Asset Refinance Syariah sehingga kita dapat melihat persentasi berapa persen layak atau tidak layaknya nasabah tersebut dari masing-masing produk yang tersebut di atas berdasarkan data berikut ini yang dapat kita lihat pada tabel III.1 dan III.2 : Tabel III.1 Nilai Kriteria No Charackter A01 A02 A03 A04 A05 A06 A07 A08 A09 A10 A11 A12 A13 A14 A A16 A17 A18 A19 A20 A21 A22 A23 A24 A Capacity To Pay Capital Status Collateral/ Co-Markers Kondisi Kredit Total Nilai

5 49 A26 A27 A28 A29 A30 A31 A32 A33 A34 A35 A36 A37 A38 A39 A40 A41 A42 A43 A44 A45 A46 A47 A48 A49 A50 A51 A52 A53 A54 A55 A56 A57 A58 A59 A60 A61 A62 A63 A64 A65 A66 A67 A68 A

6 50 A70 A71 A72 A73 A74 A75 A76 A77 A78 A79 A80 A81 A82 A83 A84 A85 A86 A87 A88 A A90 A91 A92 A93 A94 A95 A96 A97 A98 A99 A Keterangan Status = Tidak >250 =

7 51 Tabel III.2 Himpunan Kriteria No A01 A02 A03 A04 A05 A06 A07 A08 Charackter Capacity To Pay Capital Status Collateral/ Co-Markers Kondisi Kredit Status Kelayakan Tidak Tidak Tidak Tidak Tidak Tidak A09 A10 A11 A12 A13 A14 A A16 A17 A18 A19 A20 A21

8 52 A30 Tidak A31 A32 A33 A34 A35 A22 A23 A24 A25 A26 A27 A28 A29 A40 A41 A42 A43 A36 A37 A38 A39 Lanacr Lanacr Tidak

9 53 Tidak Tidak Tidak A44 A45 A46 A47 A48 A49 A50 A51 A52 A53 A54 A55 Tidak Tidak A56 A57 A58 A59 Tidak Tidak Tidak A60 A61 A62 A63 A64 A65

10 54 Tidak Tidak Tidak Tidak A66 A67 A68 A69 A70 A71 A72 A73 A74 A75 A76 A77 A78 A79 A80 A81 A82 A83 A84 A85 A86 A87 A88 Tidak Tidak Tidak Tidak

11 55 A A90 A91 A92 A93 A94 A95 A96 A97 A98 A99 A Keterangan L = KL = M = Dari data-data pada tabel kita akan mencoba untuk membangun sebuah Classifier yang berdasarkan atribut Charackter, Capacity To Pay, Capital Status, Collateral/Co-Markers, dan Kondisi Kredit. Disana ada dua status kredit yaitu Tidak dan, dan ada examples, 24 examples menyatakan status kredit Tidak dan 76 examples menyatakan status kredit, maka untuk mengahasilkan nilai dari masing-masing atribut kita lihat perhitungan dibawah ini.

12 56 Entropy total = (-76/)*log2(76/)-(24/)*log2(24/) = = Entropy Charackter Entropy ( S ) Pyes Log 2 PYes PNo Log 2 PNo...(1) Berdasarkan dari Pesamaan 1 hasil untuk entropy Character dengan nilai dari masing-masing entropy,, dan adalah sebagai berikut : a. Entropy = (-40/48)*log2(40/48)-(8/48)*log2(8/48) = ( ) = b. = (-36/52)*log2(36/52)-(16/52)*log2(16/52) = ( ) = c. = (-0/0)*log2(0/0)-(0/0)*log2(0/0) = (0-0) =0 Informatio ngain (Character ) Entropy ( S ) * Entropy ( Si )......( 2) v Berdasarkan dari Persamaan 2 hasil untuk mendapatkan nilai Gain Character adalah sebagai berikut : = ((48/* )-(52/* )-(0/*0)) = ( ) =

13 57 = Entropy Capacity To Pay Entropy(S ) Pyes Log 2 PYes PNo Log 2 PNo...(1) Berdasarkan dari Pesamaan 1 hasil untuk entropy Capacity To Pay dengan nilai dari masing-masing entropy,, dan adalah sebagai berikut : a. Entropy = (-45/47)*log2(45/47)-(2/47)*log2(2/47) = ( ) = b. = (-12/18)*log2(12/18)-(6/18)*log2(6/18) = ( ) = c. = (-19/35)*log2(19/35)-(16/35)*log2(16/35) = ( ) = InformationGain(CapacityToPay) Entropy(S ) * Entropy(Si)...(2) v Berdasarkan dari Persamaan 2 hasil untuk mendapatkan nilai Gain Capacity To Pay adalah sebagai berikut : = ((47/* )-(18/* )(35/* )) = ( ) =

14 58 = Entropy Capital Status Entropy(S ) Pyes Log2 PYes PNo Log2 PNo...(1) Berdasarkan dari Pesamaan 1 hasil untuk entropy Capital Status dengan nilai dari masing-masing entropy,, dan adalah sebagai berikut : a. Entropy = (-51/56)*log2(51/56)-(5/56)*log2(5/56) = ( ) = b. = (-24/41)*log2(24/41)-(17/41)*log2(17/41) = ( ) = c. = (-1/3)*log2(1/3)-(2/3)*log2(2/3) = ( ) = InformationGain(CapitalStatus ) Entropy ( S ) * Entropy ( Si )...(2) v Berdasarkan dari Persamaan 2 hasil untuk mendapatkan nilai Gain Capital Status adalah sebagai berikut : = ((56/* )-(41/* )(3/* ) ) = ( ) = =

15 59 4. Entropy Collateral/Co-Markers Entropy ( S ) Pyes Log 2 PYes PNo Log 2 PNo...(1) Berdasarkan dari Pesamaan 1 hasil untuk entropy Collateral/Co-Markers dengan nilai dari masing-masing entropy,, dan adalah sebagai berikut : a. Entropy = (-47/53)*log2(47/53)-(6/53)*log2(6/53) = ( ) = b. = (-8/)*log2(8/)-(7/)*log2(7/) = ( ) = c. = (-21/32)*log2(21/32)-(11/32)*log2(11/32) = ( ) = InformationGain(Collateral / Co Mar ker s) Entropy(S ) * Entropy(Si)...(2) v Berdasarkan dari Persamaan 2 hasil untuk mendapatkan nilai Gain Collateral/Co-Markers adalah sebagai berikut : = ((47/* )-(/* )(32/* ) = ( ) = =

16 60 5. Entropy Kondisi Kredit Entropy ( S ) Pyes Log 2 PYes PNo Log 2 PNo...(1) Berdasarkan dari Pesamaan 1 hasil untuk entropy Kondisi Kredit dengan nilai dari masing-masing entropy,, dan adalah sebagai berikut : a. Entropy = (-45/48)*log2(45/48)-(3/48)*log2(3/48) = ( ) = b. = (-6/10)*log2(6/10)-(4/10)*log2(4/10) = ( ) = c. = (-25/42)*log2(25/42)-(17/42)*log2(17/42) = ( ) = InformationGain(CondisiKredit) Entropy(S ) * Entropy(Si)...(2) v Berdasarkan dari Persamaan 2 hasil untuk mendapatkan nilai Gain Kondisi Kredit adalah sebagai berikut : = ((48/* )-(10/* )(42/* ) = ( ) = =

17 61 Tabel III.3 Penilaian Atribut Atribut Information gain Capacity To Pay Kondisi Kredit Capital Status Collateral/Co-Markers Character Karena Atribut Capacity To Pay memiliki Nilai Information Gain terbagus maka Atribut tersebut dijadikan node awal. Bentuk C4.5 adalah sebagai berikut : Dari nilai information gain di atas, gain (S, Capacity To Pay) adalah yang paling besar. Sehingga perlu memanggil fungsi C4.5 dengan kumpulan sampel berupa Sample atribut target = Maka pada tahap ini menghasilkan pohon seperti Gambar III.1 dibawah ini : Gambar III.1 Pohon keputusan pada rekursi level 0 iterasi ke-1 Karena semua sampel termasuk pada kelas pada sampel lancar maka fungsi ini akan berhenti dan mengembalikan satu simpul tunggal root dengan label. Pada tahap ini menghasilkan pohon seperti Gambar III.2 dibawah ini.

18 62 Gambar III.2 Pohon keputusan pada rekursi level 1 iterasi ke-1 Pada rekursi level 0 iterasi ke-1, sudah dilakukan pengecekan atribut Capacity To Pay dengan nilai lancar. Selanjutnya, dilakukan pengecekan untuk atribut Kondisi Kredit bernilai kurang lancar. Sehingga memanggil fungsi C4.5 dengan sampel target Diproses. Sehingga pada tahap ini menghasilkan pohon pada Gambar III.3 dibawah ini. Gambar III.3 Pohon keputusan pada rekursi level 2 iterasi ke-1 Kemudian pengecekan dilanjutkan kenilai cukup terdapat sample kurang lancar untuk pemanggilan fungsi C4.5 dengan atribut { Capacity To Pay }. Pada tahap ini menghasilkan pohon pada Gambar III.4 dibawah ini

19 63 Gambar III.4 Pohon keputusan pada rekursi level 0 iterasi ke-2 Pada pemanggilan tahap selanjutnya terdapat satu atribut yaitu atribut kondisi kredit maka secara otomatis atribut tersebut menjadi simpul berikutnya. Maka memanggil fungsi C4.5 dengan sampel dengan target. Pada tahap ini menghasilkan pohon pada Gambar III.5 dibawah ini Gambar III.5 Pohon keputusan pada rekursi level 1 iterasi ke-2 Pada pemanggilan fungsi sebelumnya pemanggilan sampel lancar menghasilkan daun dengan nilai. Maka fungsi akan dilanjutkan ke sampel sample kurang

20 64 lancar, macet dan Sehingga dihasilkan pohon pada Gambar III.6 selanjutnya proses kembali ke rekursi level 2 untuk iterasi ke-2. Gambar III.6 Pohon keputusan pada rekursi level 2 iterasi ke-2 Pada pemanggilan fungsi sebelumnya pemanggilan sampel sample, kurang lancar, maka fungsi akan berhenti dan menghasilkan daun dengan nilai Diproses. Sehingga dihasilkan pohon pada Gambar III.7 dibawah ini. Gambar III.7 Pohon keputusan pada rekursi level 3 iterasi ke-2

21 65 Pada pemanggilan fungsi sebelumnya pemanggilan sampel lancar menghasilkan daun dengan nilai. Maka fungsi akan dilanjutkan ke sampel sample kurang lancar, macet dan Sehingga dihasilkan pohon pada Gambar III.8 dibawah ini. Gambar III.8 Pohon keputusan pada rekursi level 0 iterasi ke-3 Pada pemanggilan fungsi sebelumnya pemanggilan sampel sample kurang lancar, macet, lancar maka fungsi akan berhenti dan menghasilkan daun dengan nilai Diproses. Sehingga dihasilkan pohon pada Gambar III.9 dibawah ini. Gambar III.9 Pohon keputusan pada rekursi level 1 iterasi ke-3

22 66 Pada pemanggilan fungsi sebelumnya pemanggilan sampel lancar menghasilkan daun dengan nilai dan pohon keputusan berhenti sampai node bagus karena tidak ada lagi node yang akan diproses sehingga dihasilkan pohon pada Gambar III.10 dibawah ini. Gambar III.10 Pohon keputusan pada rekursi level 2 iterasi ke-3 Pada pemanggilan fungsi sebelumnya pemanggilan sampel lancar menghasilkan daun dengan nilai dan pohon keputusan berhenti sampai node bagus karena tidak ada lagi node yang akan diproses sehingga dihasilkan pohon pada Gambar III.11 dibawah ini.

23 67 Gambar III.11 Pohon keputusan pada rekursi level 3 iterasi ke-3 Pada pemanggilan fungsi sebelumnya pemanggilan sampel lancar menghasilkan daun dengan nilai dan pohon keputusan berhenti sampai node bagus karena tidak ada lagi node yang akan diproses sehingga dihasilkan pohon pada Gambar III.12 dibawah ini. Gambar III.12 Pohon keputusan pada rekursi level 0 iterasi ke-4 Pada pemanggilan fungsi sebelumnya pemanggilan sampel lancar menghasilkan daun dengan nilai dan pohon keputusan berhenti sampai node bagus karena tidak ada lagi node yang akan diproses sehingga dihasilkan pohon pada Gambar III.3 dibawah ini.

24 68 Gambar III.13 Pohon keputusan pada rekursi level 1 iterasi ke-4 Pada pemanggilan fungsi sebelumnya pemanggilan sampel lancar menghasilkan daun dengan nilai dan pohon keputusan berhenti sampai node bagus karena tidak ada lagi node yang akan diproses sehingga dihasilkan pohon pada Gambar III.14 dibawah ini.

25 69 Gambar III.14 Pohon keputusan pada rekursi level 2 iterasi ke-4 Pada pemanggilan fungsi sebelumnya pemanggilan sampel lancar menghasilkan daun dengan nilai dan pohon keputusan berhenti sampai node bagus karena tidak ada lagi node yang akan diproses sehingga dihasilkan pohon pada Gambar III. dibawah ini.

26 70 Gambar III. Pohon keputusan pada rekursi level 3 iterasi ke-4 Pada pemanggilan fungsi sebelumnya pemanggilan sampel lancar menghasilkan daun dengan nilai dan pohon keputusan berhenti sampai node bagus karena tidak ada lagi node yang akan diproses sehingga dihasilkan pohon pada Gambar III.16 dibawah ini.

27 71 Gambar III.16 Pohon keputusan pada rekursi level 0 iterasi ke-5 Pada pemanggilan fungsi sebelumnya pemanggilan sampel lancar menghasilkan daun dengan nilai dan pohon keputusan berhenti sampai node bagus karena tidak ada lagi node yang akan diproses sehingga dihasilkan pohon pada Gambar III.17 dibawah ini.

28 72 Gambar III.17 Pohon keputusan pada rekursi level 1 iterasi ke-5 Pada pemanggilan fungsi sebelumnya pemanggilan sampellancar menghasilkan daun dengan nilai dan pohon keputusan berhenti sampai node bagus karena tidak ada lagi node yang akan diproses sehingga dihasilkan pohon pada Gambar III.18 dibawah ini.

29 73 Gambar III.18 Pohon keputusan pada rekursi level 2 iterasi ke-5 Pada pemanggilan fungsi sebelumnya pemanggilan sampel lancar menghasilkan daun dengan nilai dan pohon keputusan berhenti sampai node bagus karena tidak ada lagi node yang akan diproses sehingga dihasilkan pohon pada Gambar III.19 dibawah ini. Gambar III.19 Pohon keputusan pada rekursi level 3 iterasi ke-5

30 74 III.3. Desain Sistem Merupakan gambaran dari sistem yang akan dibangun. Sebagai contoh adalah rancangan antarmuka, rancangan masukan, rancangan keluaran dan lainlain. III.3.1. Use Case Diagram. Use Case diagram dari Penerapan Data Mining Klasifikasi Data Nasabah Pada PT. Bank Muamalat menggunakan Algoritma C4.5 dapat dilihat pada gambar III.20 dibawah ini. Gambar III.20 Use Case Diagram Penerapan Data Mining Klasifikasi Data Nasabah pada PT. Bank Muamalat Menggunakan Algoritma C4.5

31 75 III.3.2. Class Diagram Class Diagram dari penerapan data mining klasifikasi data nasabah pada PT. Bank Muamalat menggunakan Algoritma C4.5 dapat dilihat pada gambar III.21 dibawah ini : Login - Usename - Password + Login() + Batal() n 1 Data Nasabah 1 -NoNasabah -NamaNasabah -JenisKelamin -TempatLahir -TanggalLahir -Alamat -Telepon -Pekerjaan -NoKTP -BerlakuKTP -NoSIM -Wilayah -NoKK -NamaSuamiIstri -Penghasilan +AddNasabah() +UpdateNasabah() +DropNasabah() 1 Kriteria Analisis -IdKriteria -GolonganAnalisis -Kriteria -SkorMentahMaksimal 1 +AddKriteria +UpadateKriteria +DropKriteria Kriteria Analisis -NoPenilaian -TanggalPenilaian -NoNasabah -IdKriteria -Nilai +AddPenilaian +UpdatePenilaian +DropPenilain Gambar III.21 Class Diagram Penerapan Data Mining Klasifikasi Data Nasabah pada PT. Bank Muamalat Menggunakan Algoritma C4.5

32 76 III.3.3. Activity Diagram Activity Diagram dari penerapan data mining klasifikasi data nasabah pada PT. Bank Muamalat menggunakan Algoritma C4.5 adalah sebagai berikut : 1. Activity Diagram Data Login Adapun Activity Diagram form data login dapat dilihat pada gambar III.22 dibawah ini. Gambar III.22 Diagram Activity Login 2. Activity Diagram Data Nasabah Adapun Activity Diagram form data nasabah dapat dilihat pada gambar III.23 berikut ini :.

33 77 Gambar III.23 Diagram Activity Form Nasabah 3. Activity Diagram Data Kriteria Penilaian Adapun Activity Diagram form data kriteria penilaian dapat dilihat pada gamba III.24 dibawah ini. Gambar III.24 Diagram Activity Kriteria Penilaian 4. Activity Diagram Data Penilaian Adapun Activity Diagram form data penilaian dapat dilihat pada gambar III.25 dibawah ini.

34 78 Gambar III.25 Diagram Activity Penilaian 5. Activity Diagram Data Admin Adapun Activity Diagram form data admin dapat dilihat pada gambar III.26 berikut ini. Gambar III.26 Diagram Activity Pembayaran utang

35 79 6. Activity Diagram Laporan Adapun Activity Diagram Laporan dapat dilihat pada gambar III.27 dibawah ini. Gambar III.27 Diagram Activity Laporan III.3.4. Sequence Diagram Sequence Diagram dari Penerapan Data Mining Klasifikasi Data Nasabah pada PT. Bank Muamalat Menggunakan Algoritma C4.5 adalah sebagai berikut : 1. Sequence diagram Login Ke Sistem Gambar III.28 Sequence diagram Login Ke Sistem

36 80 2. Sequence diagram proses input nasabah Gambar III.29 Sequence diagram proses input data nasabah

37 81 3. Sequence diagram proses input kriteria Gambar III.30 Sequence diagram proses input data criteria

38 82 4. Sequence diagram proses input penilaian Gambar III.31 Sequence diagram proses input data penilaian

39 83 5. Sequence diagram Cetak Laporan Gambar III.32 Sequence diagram Cetak Laporan III.3.5. Desain Database Database adalah sekumpulan data operasional yang saling berhubungan dengan redudansi minimal, yang digunakan secara bersama oleh beberapa aplikasi. Database diterapkan untuk mengatasi masalah pengolahan data dengan cara konvensional, yaitu jika struktur data di rubah, program harus disesuaikan dan jika ada duplikasi file, sulit untuk memelihara integritas data. III Normalisasi Pada tahap ini lakukan normalisasi agar menghasilkan tabel / file yang akan digunakan sebagai penyimpan data minimal 3NF. Bentuk tidak normal dapat dilihat pada tabel III.5., III.6 dan III.7 berikut ini :

40 84 Tabel III.4. Bentuk Unnormal No Nasabah Nama Nasabah Tempat Lahir Tanggal Lahir Alamat 2001 Budi 12/03/ Tuti Pematang Siantar /01/1970 Telepon Tabel III.5. Sambungan Pertama Bentuk Unnormal Pekerjaan No KTP Berlaku KTP No SIM Wilayah P. Swasta /03/ Kota PNS /01/ Kota No KK Tabel III.6. Sambungan Kedua Bentuk Unnormal Nama Suami Istri Penghasilan Ida Susi Tanggal Penilaian KRITERIA Character Capacity To Pay 26/5/20 Capital Status Collateral/CoMarkers Kondisi Kredit Character Capacity To Pay 26/5/20 Capital Status Collateral/CoMarkers Kondisi Kredit NILAI

41 85 a. First Nornal Form (1NF) Untuk menjadi 1NF suatu table harus memenuhi dua syarat. Syarat pertama tidak ada kelompok data atau field yang berulang. Syarat kedua harus ada primary key (PK) atau kunci unik, atau kunci yang membedakan satu bari dengan baris yang lain dalam satu table. Pada dasarnya sebuah table selamat tidak ada kolom yang sama merupakan bentuk table dengan 1NF. Bentuk normal pertama berdasarkan kasus diatas dapat dilihat pada table III.8, III.9, III.10 di bawah ini : Tabel III.7. Bentuk First Nornal Form (1NF) No Nasabah Nama Nasabah Tempat Lahir Tanggal Lahir Alamat 2001 Budi 12/03/ Budi 12/03/ Budi 12/03/ Budi 12/03/ Budi 12/03/ Tuti /01/ Tuti /01/ Tuti /01/ Tuti /01/ Tuti /01/1970 Pematan g Siantar Pematan g Siantar Pematan g Siantar Pematan g Siantar Pematan g Siantar Telepon Tabel III.8. Sambungan Pertama Bentuk First Nornal Form (1NF) Pekerjaan No KTP Berlaku KTP No SIM Wilayah No KK

42 86 P. Swasta P. Swasta P. Swasta P. Swasta P. Swasta PNS PNS PNS PNS PNS /03/ /03/ /03/ /03/ /03/2016 /01/2017 /01/2017 /01/2017 /01/2017 /01/ Kota Kota Kota Kota Kota Kota Kota Kota Kota Kota Tabel III.9. Sambungan Kedua Bentuk First Nornal Form (1NF) Nama Suami Istri Ida Tanggal Penilaian 26/5/20 Ida /5/20 Ida /5/20 Ida /5/20 Ida /5/20 Susi /5/20 Susi /5/20 Susi /5/20 Susi /5/20 Susi /5/20 Penghasilan KRITERIA Character Capacity To Pay Capital Status Collateral/CoMarkers Kondisi Kredit Character Capacity To Pay Capital Status Collateral/CoMarkers Kondisi Kredit NILAI

43 87 b. Second Nornal Form (2NF) Untuk menjadi 2NF suatu table harus berada dalam kondisi 1NF dan tidak memilik partial dependencies. Partial dependencies adalah suatu kondisi jika atribut non kunci (Non PK) tergantung sebagian tetapi bukan seluruhnya pada PK. Bentuk normal kedua berdasarkan kasus diatas dapat dilihat pada table III.11 dan III.12 di bawah ini. Tabel III.10. Bentuk Second Nornal Form (2NF) Nasabah No Nasabah Nama Nasabah Tempat Lahir Tanggal Lahir Alamat 2001 Budi 12/03/ Tuti Pematang Siantar /01/1970 No SIM Wilayah No KK Kota Kota Nama Suami Istri Ida Susi Telepon Pekerjaan P. Swasta PNS No KTP Penghasilan Tanggal Penilaian /5/ /5/20 Tabel III.11. Bentuk Second Nornal Form (2NF) Penilaian No Nasabah Tanggal Penilaian 26/5/20 26/5/20 26/5/ /5/ /5/20 26/5/20 26/5/20 26/5/20 26/5/20 Berla ku KTP 12/03/ 2016 /01/ 2017 KRITERIA NILAI Character Capacity To Pay Capital Status Collateral/CoMarkers Kondisi Kredit Character Capacity To Pay Capital Status Collateral/Co

44 Markers Kondisi Kredit 26/5/20 3 c. Third Nornal Form (3NF) Untuk menjadi 3NF suatu table harus berada dalam kondisi 2NF dan tidak memilik transitive dependencies. Transitive dependencies adalah suatu kondisi dengan adanya ketergantunga fungsional antara 2 atau lebih atribut non kunci (Non PK). Bentuk normal ketiga berdasarkan kasus diatas dapat dilihat pada table III.13, III.14 dan III. di bawah ini Tabel III.12. Bentuk Third Nornal Form (3NF) Nasabah No Nasab ah Nama Nasab ah Tempat Lahir 2001 Budi 2002 Tuti Pematan g Siantar Tangg al Lahir 12/03/ 1980 /01/ 1970 Alamat Telepon Pekerjaan No KTP Berlaku KTP P. Swasta /03/ PNS /01/ 2017 No SIM Wilayah No KK Kota Kota Nama Suami Istri Ida Susi Penghasilan Tabel III.13. Bentuk Third Nornal Form (3NF) Penilaian No Nasabah Tanggal Penilaian 26/5/20 26/5/20 26/5/ /5/ /5/20 26/5/20 26/5/20 KRITERIA Character Capacity To Pay Capital Status Collateral/CoMarkers Kondisi Kredit Character Capacity To Pay NILAI

45 /5/ /5/ /5/20 Capital Status Collateral/CoMarkers Kondisi Kredit Tabel III.14. Bentuk Third Nornal Form (3NF) Kriteria KRITERIA Charakter Capacity To Pay Capital Status Collateral/Co-Markers Kondisi Kredit Kode K1 K2 K3 K4 K5 III Desain Tabel Untuk perancangan table Penerapan Data Mining Klasifikasi Data Nasabah Pada PT.Bank Muamalat Menggunakan Algoritma C4.5 dapat dilihat dibawah ini: 1. Tabel Data Nasabah Tabel Nasabah digunakan untuk menampung record data Nasabah keseluruhan. Struktur Tabel Nasabah dapat dilihat pada tabel III. dibawah ini. a.tabel Data Nasabah Nama Database : DB_Algoritma C45 Nama Tabel : TAnggota Primary Key : NoNasabah Tabel III.. Data Nasabah Field Name NoNasabah Type Size Indexed Varchar 10 Yes Description No Nasabah

46 90 NamaNasabah Varchar 30 - Nama Nasabah TempatLahir Varchar 30 - Tempat Lahir TanggalLahir Date 8 - Tanggal Lahir Alamat Varchar 50 - Alamat Telepon Varchar 12 - Telepon Pekerjaan Varchar 20 - Pekerjaan NoKTP Varchar 20 - No KTP BerlakuKTP Date 8 - Berlaku KTP NoSIM Varchar 20 - No SIM Wilayah Varchar 30 - Wilayah NoKK Varchar 20 - No KK NamaSuamiIstri Varchar 30 - Nama Suami/Istri Penghasilan 8 - Penghasilan Numeric 2. Tabel Kriteria Analisis Tabel Kriteria Analisis digunakan untuk menampung record data Kriteria Analisis keseluruhan. Struktur Tabel Kriteria Analisis dapat dilihat pada tabel III.16 dibawah ini : b. Tabel Kriteria Analisis Nama Database : Algoritma C45 Nama Tabel : TkriteriaPenilaian Primary Key : IdKriteria

47 91 Tabel III.16 Kriteria Analisis Field Name Type Size Indexed Description IdKriteria Varchar 5 Yes No ID Kriteria GolonganAnalisis Varchar 30 - Golongan Kriteria Text 0 - Analisis 2 - Kriteria SkorMentahMaksimal Numeric Skor Mentah Maksimal 3. Tabel Penilaian Tabel Penilaian digunakan untuk menampung record data penilaian dan yang menjadi Primary Key pada tabel ini adalah Field NoPenilaian. Struktur Tabel Penilaian dapat dilihat pada tabel III.17 dibawah ini. c. Tabel Penilaian Nama Database : DB_Algoritmac45 Nama Tabel : Tpenilaian Primary Key : NoPenilaian Foreign Key : -NoNasabah -IdKriteria Tabel III.17 Penilaian Field Name NoPenilaian Type Size Indexed Varchar 5 Yes 8 - TanggalPenilaian Date Description No Penilaian Tanggal

48 92 NoNasabah Varchar 10 - Penilaian IdKriteria Varchar 5 - No Nasabah Nilai Numeric 4 - No ID Kriteria Nilai III Desain User Interface Desain User Interface dari Penerapan Data Mining Klsifikasi Data Nasabah Pada PT.Bank Muamalat Menggunakan Algoritma C4.5 dibedakan menjadi dua bagian yaitu bagian Input dan Output, bagian-bagian tersebut adalah sebagai berikut : 1. Input a. Rancangan Form Login Admin Rancangan Form login merupakan halaman untuk memasukkan user name dan password administrator. Bentuk rancangan Form login admin dapat dilihat pada gambar III.33 Gambar III.33 Rancangan Form Login

49 93 b. Rancangan Form Nasabah Form siswa merupakan form untuk memasukkan data nasabah. Bentuk Rancangan Form nasabah dapat dilihat pada gambar III.34 dibawah ini Gambar III.34 Rancangan Input Data Nasabah c. Rancangan Form Kriteria Penilaian Form Kriteria Penilaian merupakan form untuk memasukkan data Kriteria Penilaian. Bentuk Rancangan Form Kriteria Penilaian dapat dilihat pada gambar III.35 :

50 94 PEMASUKAN DATA KRITERIA PENILAIAN No ID Kriteria : Golongan Analisis : Kriteria : Skor Mentah Maksimal : Baru Simpan Batal Edit Hapus Keluar LIST DATA KRITERIA PENILAIAN Xxxxx Xxxxx Xxxxx Xxxxx Xxxxx Xxxxx Xxxxx Xxxxx Xxxxx Xxxxx Xxxxx Xxxxx Xxxxx Xxxxx Xxxxx Xxxxx Xxxxx Xxxxx Xxxxx Xxxxx Xxxxx Xxxxx Xxxxx Xxxxx Gambar III.35 Rancangan Input Data Kriteria Penilaian d. Laporan Analisis Penilaian dapat kita lihat pada gambar III.36. Gambar III.36 Rancangan Input Data Analisis Penilaian

51 95 e. Form Proses Pembentukan Himputan Entropy Halaman form proses pembentukan himputan entropy merupakan form untuk melakukan proses pembentukan himpunan entroy dari setiap kriteria penilaian.. Bentuk rancangan form proses pembentukan himputan entropy dapat dilihat pafa gambar III.37. dibawah ini. Gambar III.37 Rancangan Proses Pembentukan Himputan Entropy f. Form Proses Perhitungan Entropy Halaman form proses perhitungan entropy merupakan form untuk melakukan proses perhitungan entropy dari setiap kriteria penilaian.. Bentuk rancangan form proses perhitungan entropy dapat dilihat pada gambar III.38 dibawah ini :

52 96 Gambar III.38 Rancangan Proses Perhitungan Entropy 2. Output a. Rancangan Form Menu Utama. Form Menu Utama merupakan tampilan awal pada saat aplikasi dijalankan. Bentuk rancangan form menu utama dapat dilihat pada gambar III.39. Gambar III.39 Rancangan Form Menu Utama

53 97 b. Laporan Nasabah Laporan Nasabah merupakan media untuk menampilkan data Nasabah/calon nasabah. Bentuk rancangan laporan Nasabah dapat dilihat pada gambar III.40. Gambar III.40 Rancangan Laporan Nasabah c. Laporan Penilaian Laporan penilaian merupakan media untuk menampilkan data penilaian nasabah. Bentuk rancangan laporan penilaian dapat dilihat pada gambar III.41.

54 98 Gambar III.41 Rancangan Laporan Analisis Permohonan Pinjaman d. Laporan Hasil Klasifikasi Nasabah Laporan hasil klasifikasi nasabah merupakan media untuk menampilkan data hasil analisis klasifikasi nasabah. Bentuk rancangan laporan hasil klasifikasi nasabah dapat dilihat pada gambar III.42.

55 99 PT. BANK MUAMALAT Jalan Brigjend Katamso No.27 C, Sumatera Utara 201 GRAFIK PERBANDINGAN NASABAH LANCAR, KURANG LANCAR, DAN MACET (%), dd/mm/yyyy ( ) Gambar III.42 Rancangan Laporan Grafik Klasifikasi Nasabah