BAB III PEMBAHASAN. Sumber data diperoleh dari Koperasi X yang terdiri dari 3 file excel

Transkripsi

1 BAB III PEMBAHASAN A. Sumber Data Sumber data diperoleh dari Koperasi X yang terdiri dari 3 file excel peminjam dengan jaminan sertifikat tanah, tunjuk, dan Buku Pemilik Kendaraan Bermotor (BPKB) serta 25 file excel laporan nominatif pinjaman perbulan dimana setiap file mewakili satu bulan. Data peminjam adalah data mengenai status peminjam, pendapatan keluarga, pengeluaran keluarga, usaha, tempat tinggal, agunan, dan info-info lain yang mencakup 5C yang digunakan sebagai pertimbangan pemberian kredit. Data laporan nominatif pinjaman perbulan adalah data mengenai besar pinjaman, sisa pinjaman, bunga, angsuran, kolektibilitas, dan info-info lain yang berkaitan dengan angsuran perbulan. Rentang waktu dari data peminjam adalah Januari Maret 2016 dan rentang waktu pada data laporan nominatif pinjaman perbulan adalah Januari Maret Daftar atribut pada kedua data dapat dilihat pada lampiran 1. Data yang digunakan adalah data peminjam yang telah melunasi pinjaman dan peminjam yang bermasalah. Pengumpulan data dilakukan secara manual yaitu pada data laporan nominatif pinjaman perbulan dipilih data yang mempunyai nilai bakidebet 0 artinya peminjam telah melunasi pinjaman dan data yang mempunyai nilai kolektibilitas 2-4 artinya peminjam bermasalah dalam mengangsur pinjaman. Hasil pemilihan pada data laporan nominatif pinjaman perbulan tersebut kemudian dihubungkan dengan file peminjam dengan primary key yaitu No.Anggota diperoleh sebanyak dataset. 46

2 Pada data peminjam dan data laporan nominatif pinjaman perbulan tidak semua atribut digunakan. Atribut yang digunakan pada data peminjam adalah sebagai berikut: a. No.Anggota digunakan sebagai primary key, b. pekerjaan adalah pekerjaan peminjam ketika melakukan permohonan pinjaman, c. No KTP adalah Nomer Kartu Tanda Kependudukan peminjam, d. pekerjaan istri/suami adalah pekerjaan suami atau istri peminjam ketika melakukan permohonan pinjaman, e. pendapatan keluarga adalah jumlah pendapatan peminjam ditambah dengan jumlah pendapatan suami atau istri peminjam, f. pengeluaran keluarga adalah jumlah pengeluaran keluarga perbulan untuk memenuhi kebutuhan hidup, g. pinjaman adalah besar pinjaman yang dilakukan, h. kemampuan angsuran adalah kemampuan peminjam untuk mengangsur, i. jangka waktu adalah jumlah waktu untuk mengembalikan pinjaman, j. agunan adalah jaminan yang diberikan oleh peminjam, k. status agunan adalah status kepemilikan jaminan, l. nilai jaminan adalah besar nominal uang yang setara dengan jaminan, m. tujuan adalah tujuan digunakannya dana pinjaman, n. tanggal peminjaman adalah tanggal dimana peminjam melakukan pinjaman. Atribut yang digunakan pada data laporan nominatif pinjaman perbulan adalah sebagai berikut: 47

3 a. No.Anggota digunakan sebagai primary key, b. kolektibilitas adalah status kelancaran peminjam dalam mengangsur pinjaman. Atribut-atribut lain yang tidak digunakan adalah atribut yang telah terwakili oleh atribut yang digunakan, atribut yang tidak ada kaitannya dengan pengklasifikasian, atribut yang nilainya terlalu beragam, dan atribut yang sering tidak mempunyai isian, sehingga atribut tersebut tidak diperlukan pada penelitian ini. Contoh data yang telah dikumpulkan dapat dilihat pada lampiran 2. Setelah data lengkap maka tahap selanjutnya mempersiapkan data tersebut untuk proses data mining yaitu preprocessing yang terdiri dari Data Cleaning, Data Integration, Data Selection, Data Transformation. B. Pembersihan Data (Data Cleaning) dan Integrasi Data (Data Integration) Preprocessing data yang dilakukan setelah data lengkap adalah pembersihan data. Masih adanya data yang tidak memiliki kelengkapan atribut dapat mengakibatkan hasil dari proses mining tidak baik atau memungkinkan adanya noise. Oleh karena itu perlunya preprocessing pembersihan data. Pembersihan data dilakukan terhadap data yang tidak memiliki kelengkapan atribut dengan cara menghapus data tersebut. Dari dataset dilakukan penghapusan pada 97 dataset dengan rincian sebagai berikut: 1. Data yang tidak mempunyai kelengkapan atribut pekerjaan sebanyak Data yang tidak mempunyai kelengkapan atribut No KTP sebanyak 7. 48

4 3. Data yang tidak mempunyai kelengkapan atribut pekerjaan suami/istri sebanyak Data yang tidak mempunyai kelengkapan atribut pengeluaran keluarga sebanayak Data yang tidak mempunyai kelengkapan atribut kemampuan angsuran sebanyak Data yang tidak mempunyai kelengkapan atribut status agunan sebanyak Data yang tidak mempunyai kelengkapan atribut Nilai jaminan sebanyak Data yang tidak mempunyai kelengkapan atribut tujuan sebanyak Data yang tidak mempunyai kelengkapan atribut kolektibilitas sebanyak 1. Setelah proses pembersihan data, jumlah data menjadi 979 dataset yang kemudian dilanjutkan dengan proses integrasi data. Integrasi data pada penelitian ini dilakukan pada awal ketika pemilihan datadata yang diperlukan dan penghubungan data laporan nominatif pinjaman perbulan dengan data peminjam menggunakan primary key yaitu No.Anggota yang kemudian disimpan dalam satu file. Selain itu, integrasi data juga dilakukan dengan penggantian atribut No.KTP dan tanggal peminjaman menjadi atribut umur. Atribut umur tersebut dapat diidentifikasi melalui tahun peminjaman dikurangi dengan tahun lahir peminjam. Tahun lahir peminjam dapat diidentifikasi melalui karakter ke 6 dan 7 dari belakang pada No. KTP. 49

5 C. Seleksi Data (Data Selection) dan Transformasi Data (Data Transformation) Seleksi data yang dilakukan adalah penghapusan atribut No.Anggota dan penghapusan atribut-atribut yang tidak digunakan dalam analisis seperti nama, alamat, nomer telepon, uraian usaha, dan lain-lain. Sehingga atribut-atribut yang digunakan untuk analisis klasifikasi adalah pekerjaan, umur, pekerjaan istri/suami, pendapatan keluarga, pengeluaran keluarga, pinjaman, kemampuan angsuran, jangka waktu, agunan, status agunan, nilai jaminan, tujuan, dan kolektibilitas. Setelah dilakukan tahap pembersihan data, integrasi data, dan seleksi data, selanjutnya dilakukan tahap transformasi data. Transformasi data yang dilakukan pada penelitian ini adalah pengubahan tipe data ke dalam format yang sesuai sehingga siap untuk diproses menggunakan metode decision tree C4.5 dan naïve bayes. Transformasi data dilakukan pada data yang bertipe numerik menjadi interval, diantaranya dilakukan pada beberapa atribut. Hasil transformasi dapat dilihat pada Tabel Tabel 3.1 Transformasi Atribut Umur Umur (tahun) Sebelum Transformasi Sesudah Transformasi U U U U U5 50

6 Tabel 3.2 Transformasi Atribut Pendapatan Keluarga Pendapatan Keluarga (rupiah) Sebelum Transformasi Sesudah Transformasi D D D D D D6 Tabel 3.3 Transformasi Atribut Pengeluaran Keluarga Pengeluaran Keluarga (rupiah) Sebelum Transformasi Sesudah Transformasi K K K K4 Tabel 3.4 Transformasi Atribut Pinjaman Pinjaman (rupiah) Sebelum Transformasi Sesudah Transformasi PJ PJ PJ PJ > PJ5 Tabel 3.5 Transformasi Atribut Kemampuan Angsuran % Kemampuan angsur % Sebelum Transformasi Sesudah Transformasi KA KA KA3 51

7 Tabel 3.6 Transformasi Atribut Jangka Waktu Jangka Waktu (bulan) Sebelum Transformasi Sesudah Transformasi J J J3 Tabel 3.7 Transformasi Atribut Nilai Jaminan Nilai Jaminan (rupiah) Sebelum Transformasi Sesudah Transformasi N N N N N5 Transformasi juga dilakukan pada beberapa atribut yang mempunyai nilai atau isian dengan karakter terlalu panjang, maka untuk mempersingkat data ditransformasi menjadi beberapa inisial. Hasil transformasi dapat dilihat pada Tabel Tabel 3.8 Transformasi Atribut Pekerjaan Pekerjaan Sebelum Transformasi Sesudah Transformasi Wiraswasta PK1 Karyawan Swasta PK2 Petani/pedagang/tukang PK3 Buru PK4 PNS PK5 Tidak Bekerja PK6 52

8 Tabel 3.9 Transformasi Atribut Pekerjaan Suami/Istri Pekerjaan suami/istri Sebelum Transformasi Sesudah Transformasi Wiraswasta PS1 Karyawan Swasta PS2 Petani/pedagang/tukang PS3 Buruh PS4 PNS PS5 Tidak Bekerja PS6 Tabel 3.10 Transformasi Atribut Agunan Agunan Sebelum Transformasi Sesudah Transformasi Sertifikat tanah A1 BPKB A2 Tunjuk A3 Tabel 3.11 Transformasi Atribut Status Agunan Status Agunan Sebelum Transformasi Sesudah Transformasi Milik Sendiri SA1 Bukan Milik Sendiri SA2 Tabel 3.12 Transformasi Atribut Tujuan Tujuan Sebelum Transformasi Sesudah Transformasi Modal T1 Kesejahteraan T2 53

9 Tabel 3.13 Transformasi Atribut Kolektibilitas Kolektibilitas Sebelum Transformasi Sesudah Transformasi 1 Lancar KL1 2 Kurang Lancar KL2 3 Diragukan KL3 4 Macet KL4 Setelah data ditransformasikan dan dikelompokkan sesuai kriteria masingmasing maka dihasilkan data yang siap untuk diolah seperti yang disajikan pada Tabel

10 Pekerjaan Umur Pekerjaan Suami/Istri Pendapatan Keluarga Tabel 3.14 Contoh Data yang Telah Mengalami Preprocessing Pengeluaran Keluarga Pinjaman Kemampuan Angsuran Jangka Waktu Agunan Status Agunan Nilai Jaminan PK1 U1 PS1 D2 K2 PJ2 KA1 J2 A1 SA2 N5 T1 KL3 PK1 U3 PS5 D6 K3 PJ5 KA2 J2 A1 SA1 N5 T1 KL1 PK1 U2 PS1 D4 K3 PJ3 KA2 J2 A2 SA1 N3 T1 KL1 PK2 U4 PS6 D4 K2 PJ2 KA1 J1 A2 SA1 N1 T1 KL3 PK3 U2 PS6 D2 K1 PJ5 KA2 J3 A3 SA1 N4 T2 KL1 PK4 U3 PS4 D2 K1 PJ1 KA3 J2 A3 SA2 N3 T1 KL1 PK6 U2 PS1 D4 K2 PJ4 KA2 J2 A1 SA1 N5 T1 KL1 PK4 U4 PS3 D2 K1 PJ2 KA1 J2 A1 SA1 N2 T2 KL1 PK4 U1 PS4 D2 K1 PJ2 KA2 J1 A3 SA1 N2 T1 KL1 PK4 U2 PS4 D2 K2 PJ3 KA3 J3 A1 SA2 N3 T2 KL4 PK4 U2 PS6 D2 K1 PJ2 KA2 J2 A1 SA2 N2 T1 KL1 PK2 U2 PS1 D3 K2 PJ2 KA2 J2 A3 SA1 N3 T1 KL1 PK3 U3 PS4 D2 K1 PJ1 KA3 J1 A3 SA1 N1 T2 KL3 PK3 U3 PS3 D3 K3 PJ1 KA2 J1 A3 SA1 N1 T1 KL3 PK2 U3 PS1 D4 K2 PJ5 KA3 J3 A1 SA1 N5 T2 KL1 PK4 U3 PS3 D2 K1 PJ3 KA3 J1 A1 SA1 N3 T2 KL4 PK2 U1 PS1 D4 K3 PJ3 KA3 J2 A2 SA1 N2 T1 KL1 PK5 U3 PS3 D2 K2 PJ1 KA2 J2 A3 SA1 N3 T1 KL1 PK5 U3 PS6 D6 K3 PJ5 KA3 J2 A2 SA1 N4 T1 KL3 Tujuan Kelas 55

11 D. Proses Klasifikasi Menggunakan Decision Tree C4.5 Setelah data ditransformasi, maka data siap diproses menggunakan metode decision tree (pohon keputusan). Langkah-langkah pembentukan pohon keputusan menggunakan algoritma C4.5 sebagai berikut: 1. Tahap pertama adalah menentukan simpul akar yang dilakukan dengan menghitung total kasus untuk kelas KL1, KL2, KL3, dan KL4 serta gain ratio pada setiap atribut. Proses ini dilakukan sama pada setiap nilai atribut pekerjaan, umur, pekerjaan suami/istri, pendapaan keluarga, pengeluaran keluarga, pinjaman, kemampuan angsuran, jangka waktu, status agunan, tujuan, nilai jaminan. Hasil dari perhitungan dapat dilihat pada Tabel Berdasarkan Persamaan (2.1) nilai untuk kolom info pada Tabel 3.15 diperoleh dari: info(total) = log 2 ( ) log 2 ( ) log 2 ( ) log 2 ( ) = 1,

12 Tabel 3.15 Proses Pembentukan Simpul Akar KASUS TOTAL KL1 KL2 KL3 KL4 INFO ENTROPY GAIN SPLIT INFO GAIN RATIO PEKERJAAN PK PK PK PK PK PK UMUR U U U U U PEKERJAAN SUAMI/ISTRI PS PS PS PS PS PS

13 KASUS TOTAL KL1 KL2 KL3 KL4 INFO ENTROPY GAIN SPLIT INFO GAIN RATIO PENDAPATAN KELUARGA D D D D D D PENGELUARAN KELUARGA K K K K PINJAMAN PJ PJ PJ PJ PJ KEMAMPUAN ANGSURAN KA KA KA

14 KASUS TOTAL KL1 KL2 KL3 KL4 INFO ENTROPY GAIN SPLIT INFO GAIN RATIO JANGKA WAKTU J J J AGUNAN A A A STATUS AGUNAN SA SA NILAI JAMINAN N N N N N TUJUAN T T

15 Sementara itu, berdasarkan persamaan (2.2), nilai entropy untuk atribut pekerjaan pada Tabel 3.15 diperoleh dari: 227 E(pekerjaan) = ( 326 log 2 ( ) log 2 ( ) log 2 ( ) log 2 ( 15 ) 326 ) ( 61 log 2 ( ) 7 61 log 2 ( 7 61 ) log 2 ( ) 2 61 log 2 ( 2 ) 61 ) ( 311 log 2 ( ) log 2 ( ) log 2 ( ) log 2 ( 31 ) 311 ) ( 202 log 2 ( ) log 2 ( ) log 2 ( ) log 2 ( 13 ) ) 979 ( log 2 ( ) 5 53 log 2 ( 5 42 ) 5 42 log 2 ( 5 42 )) ( log 2 ( ) 1 37 log 2 ( 1 37 )) = 1,33910 Berdasarkan Persamaan (2.3), nilai information gain untuk atribut pekerjaan pada Tabel 3.15 diperoleh dari: Gain(pekerjaan) = Info(total) E(pekerjaan) = 1, ,33910 = 0,03116 Berdasarkan persamaan (2.4), nilai split information untuk atribut pekerjaan pada Tabel 3.15 diperoleh dari: 60

16 Split info(pekerjaan) = log 2 ( ) log 2 ( ) log 2 ( ) log 2 ( ) log 2 ( ) log 2 ( ) = 2,14664 Berdasarkan persamaan (2.5), nilai gain ratio untuk atribut pekerjaan pada Tabel 3.15 diperoleh dari: Gain ratio(pekerjaan) = Gain(pekerjaan) Split info (pekerjaan) = 0, ,14664 = 0,01452 Berdasarkan Tabel 3.15 dapat diketahui bahwa atribut dengan gain ratio tertinggi adalah atribut agunan yaitu sebesar 0,04425, dengan demikian atribut agunan menjadi simpul akar pada pohon keputusan. Ada tiga nilai atribut dari agunan yaitu A1, A2, dan A3. Dari ketiga nilai atribut tersebut belum mengklasifikasikan kasus menjadi satu atau belum menunjukkan sebuah keputusan akhir, sehingga perlu dilakukan perhitungan nilai gain ratio kembali dari setiap atribut dengan penghapusan simpul agunan. Sebagai contoh, akan dicari simpul internal dari percabngan nilai A3 yaitu simpul internal (1,1). Hasil pohon keputusan sementara ditunjukkan pada Gambar

17 Agunan A2 A3 A1 1.2? 1.1? 1.3? Gambar 3.1 Pohon Keputusan Sementara Perhitungan Simpul Akar 2. Menentukan simpul internal (1.1) dengan menghitung total kasus untuk kategori kelas KL1, KL2, KL3, KL4 pada simpul internal (1.1) dan menghitung gain ratio pada setiap atribut. Proses perhitungan tersebut sama untuk semua atribut. Atribut yang sudah menjadi akar dihapus dari daftar atribut. Hasil perhitungan secara lengkap dapat dilihat pada lampiran 3. Berdasarkan perhitungan pada lampiran 3 besar gain ratio pada setiap atribut dapat dilihat pada Tabel Tabel 3.16 Nilai Gain Ratio pada Pembentukan Simpul Internal (1.1) Nama Atribut Gain Ratio Pekerjaan 0,03603 Umur 0,01145 Pekerjaan suami/istri 0,01045 Pendapatan keluarga 0,02015 Pengeluaran keluarga 0,01871 Pinjaman 0,02471 Kemampuan angsuran 0,07708 Jangka waktu 0,03116 Status agunan 0,01793 Nilai jaminan 0,00692 Tujuan 0,

18 Berdasarkan Tabel 3.16 atribut yang mempunyai nilai gain ratio tertinggi adalah kemampuan angsuran yaitu sebesar 0,07708, oleh karena itu atribut kemampuan angsuran dijadikan sebagai simpul internal (1.1). Ada tiga nilai atribut dari kemampuan angsuran, yaitu KA1, KA2, KA3. Dari ketiga nilai tersebut belum menunjukkan keputusan akhir, sehingga dilakukan perhitungan nilai gain ratio kembali dari setiap atribut dengan penghapusan atribut kemampuan angsuran. Sebagai contoh, akan dicari simpul internal dari percabangan nilai KA1 yaitu simpul internal (2.2). Hasil pohon keputusan sementara ditunjukkan pada Gambar 3.2. Agunan A2 A3 A1 1.2? Kemampuan angsuran 1.3? KA2 KA1 KA1 2.1? 2.2? 2.3? Gambar 3.2 Pohon Keputusan Sementara Perhitungan Simpul Internal (1.1) 3. Menentukan simpul internal (2.2) dengan menghitung total kasus untuk kategori kelas KL1, KL2, KL3, KL4 dan gain ratio pada simpul internal (2.2). Proses perhitungan dilakukan sama pada setiap nilai atribut. Atribut kemampuan angsuran yang sudah menjadi simpul internal dihapus. Hasil perhitungan dapat dilihat pada lampiran 4. 63

19 Berdasarkan perhitungan pada lampiran 4 besar gain ratio pada setiap atribut dapat dilihat pada Tabel Tabel 3.17 Nilai Gain Ratio pada Pembentukan Simpul Internal (2.2) Nama Atribut Gain Ratio Pekerjaan 0,03950 Umur 0,07365 Pekerjaan suami/istri 0,05274 Pendapatan keluarga 0,12970 Pengeluaran keluarga 0,10969 Pinjaman 0,04983 Jangka waktu 0,02921 Nilai jaminan 0,07321 Tujuan 0,01334 Berdasarkan Tabel 3.17 atribut yang mempunyai nilai gain ratio tertinggi adalah pendapatan keluarga yaitu sebesar 0,12970, oleh karena itu atribut pendapatan keluarga dijadikan sebagai simpul internal (2.2). Ada enam nilai atribut pada pendapatan keluarga, yaitu D1, D2, D3, D4, D5, D6. Dari keenam nilai tersebut tidak terdapat nilai yang memiliki keputusan akhir, sehingga dilakukan perhitungan nilai gain ratio kembali dari setiap atribut dengan penghapusan atribut pendapatan keluarga. Sebagai contoh, akan dicari simpul internal dari percabngan nilai D3 yaitu simpul internal (3.3). Hasil pohon keputusan sementara yang terbentuk ditunjukkan pada Gambar

20 Agunan A2 A3 A1 1.2? Kemampuan angsuran 1.3? KA2 KA1 KA3 2.1? Pendapatan keluarga 2.3? D1 D2 D3 D4 D5 D6 3.1? 3.2? 3.3? 3.4? 3.5? 3.6? Gambar 3.3 Pohon Keputusan Sementara Perhitungan Simpul Internal (2.2) 4. Menghitung total kasus untuk kategori kelas akhir KL1, KL2, KL3, KL4 pada simpul internal (3.3) dan menghitung nilai gain ratio pada setiap atribut. Proses tersebut dilakukan sama pada setiap nilai atribut. Sementara itu atribut pendapatan keluarga dihapus dari daftar atribut. Hasil perhitungan dapat dilihat pada lampiran 5. Berdasarkan perhitungan pada lampiran 5 besar gain ratio pada setiap atribut dapat dilihat pada Tabel

21 Tabel 3.18 Nilai Gain Ratio pada Pembentukan Simpul Internal (3.3) Nama Atribut Gain Ratio Pekerjaan 0,09200 Umur 0,13840 Pekerjaan suami/istri 0,12065 Pengeluaran keluarga 0,16041 Pinjaman 0,27341 Jangka waktu 0,12215 Nilai jaminan 0,17596 Tujuan 0,05895 Berdasarkan Tabel 3.18 atribut yang mempunyai nilai gain ratio tertinggi adalah pinjaman yaitu sebesar 0,27341, sehingga atribut pinjaman dijadikan sebagai simpul internal (3.3). Pada atribut pinjaman, terdapat satu nilai atribut yang telah memiliki keputusan akhir yaitu nilai PJ3 dengan kategori kelas KL3. Masih terdapat tiga nilai lainnya yang belum memiliki keputusan akhir sehingga perlu dilakukan perhitungan nilai gain ratio kembali dari setiap atribut dengan penghapusan atribut pinjaman. Hasil pohon keputusan sementara yang terbentuk ditunjukkan oleh Gambar

22 Agunan A2 A3 A1 1.2? Kemampuan angsuran 1.3? KA2 KA1 KA3 2.1? Pendapatan keluarga 2.3? D1 D2 D3 D4 D5 D6 3.1? 3.2? Pinjaman 3.4? 3.5? 3.6? PJ1 PJ2 PJ3 PJ5 4.1? 4.2? KL2 4.3? Gambar 3.4 Pohon Keputusan Sementara Perhitungan Simpul Internal (3.3) Proses pembentukan pohon pada Gambar 3.4 bukan akhir dari pembentukan pohon keputusan pada kasus ini. Perhitungan yang terdapat pada keempat langkah di atas merupakan contoh perhitungan pada salah satu simpul internal. Pembentukan pohon keputusan akan dilanjutkan dengan menggunakan bantuan software WEKA karena jumlah dataset yang banyak sehingga apabila dihitung manual akan panjang dan membutuhkan waktu yang lama. Setelah menggunakan 67

23 bantuan software WEKA akan didapatkan pohon keputusan yang lengkap sebagai hasil akhir. Pembentukan pohon keputusan menggunakan WEKA dimulai dengan menyiapkan data yang telah mengalami preprocessing dengan format file comma separated value (csv). Selanjutnya dilakukan classifier dengan trees J48. Algoritma C4.5 di dalam WEKA direpresentasikan oleh trees J48, sehingga dipilih algoritma tersebut. Ilustrasi klasifikasi menggunakan WEKA ditunjukkan oleh Gambar 3.5. Gambar 3.5 Decision tree C4.5 menggunakan WEKA Visualisasi output WEKA menggunakan teknik klasifikasi decision tree C4.5 yang diimplementasikan oleh trees J48 dengan jumlah data 979 ditunjukkan pada Gambar 3.6. Berdasarkan Gambar 3.6 dapat diketahui bahwa model terbentuk dalam waktu 0,27 detik dengan ukuran pohon 53 dan memiliki 41 aturan keputusan. 68

24 === Classifier model (full training set) === J48 pruned tree Agunan = A1: KL1 (339.0/89.0) Agunan = A2: KL1 (279.0/59.0) Agunan = A3 Kemampuan Angsuran = KA1 Pendapatan Keluarga = D2 Nilai Jaminan = N5: KL3 (6.0/1.0) Nilai Jaminan = N3 Pengeluaran Keluarga = K2: KL1 (2.0) Pengeluaran Keluarga = K3: KL3 (0.0) Pengeluaran Keluarga = K1: KL3 (3.0) Pengeluaran Keluarga = K4: KL3 (0.0) Nilai Jaminan = N1 Pengeluaran Keluarga = K2: KL3 (5.0/1.0) Pengeluaran Keluarga = K3: KL3 (0.0) Pengeluaran Keluarga = K1 Pekerjaan = PK1: KL2 (4.0/2.0) Pekerjaan = PK2: KL1 (0.0) Pekerjaan = PK3: KL1 (8.0/3.0) Pekerjaan = PK4: KL2 (5.0/2.0) Pekerjaan = PK6: KL1 (0.0) Pekerjaan = PK5: KL1 (0.0) Pengeluaran Keluarga = K4: KL3 (0.0) Nilai Jaminan = N4: KL1 (3.0) Nilai Jaminan = N2: KL1 (11.0/4.0) Number of Leaves : 41 Size of the tree : 53 Time taken to build model: 0.27 seconds Gambar 3.6 Hasil Output WEKA Berupa Model dan Aturan 979 dataset Gambar 3.7 adalah visualisasi pohon keputusan dari kelas akhir KL1, KL2, KL3, dan KL4 yang dihasilkan menggunakan software WEKA. 69

25 Gambar 3.7 Visualisasi Pohon Keputusan 70

26 Pohon keputusan tersebut diperoleh dari proses klasifikasi menggunakan algoritma C4.5. Berdasarkan pohon keputusan yang dihasilkan maka diperoleh aturan ekstraksi dari pohon keputusan. Ekstraksi pohon keputusan dilihat pada lampiran 12, dan beberapa diantaranya dapat dituliskan sebagai berikut: 1. IF AGUNAN=A1 THEN KELAS=KL1; 2. IF AGUNAN=A2 THEN KELAS=KL1; 3. IF AGUNAN=A3 AND KEMAMPUAN ANGSURAN=KA1 AND PENDAPATAN KELUARGA=D2 AND NILAI JAMINAN=N5 THEN KELAS=KL3; 4. IF AGUNAN=A3 AND KEMAMPUAN ANGSURAN=KA1 AND PENDAPATAN KELUARGA=D2 AND NILAI JAMINAN=N3 AND PENGELUARAN KELUARGA=K2 THEN KELAS=KL1; 5. IF AGUNAN=A3 AND KEMAMPUAN ANGSURAN=KA1 AND PENDAPATAN KELUARGA=D2 AND NILAI JAMINAN=N3 AND PENGELUARAN KELUARGA=K3 THEN KELAS=KL3; Berdasarkan aturan yang terdapat pada ekstraksi pohon keputusan tersebut, maka aturan-aturan tersebut dapat diartikan sebagai berikut: 1. Jika peminjam memberikan agunan A1 maka status peminjam tersebut termasuk dalam kelas KL1. 2. Jika peminjam memberikan agunan A2 maka status peminjam tersebut termasuk dalam kelas KL1. 71

27 3. Jika peminjam memberikan agunan A3, dengan besar kemampuan agsuraan pada kelas KA1, pendapatan keluarga D2, nilai jaminan N5, maka status peminjam tersebut termasuk dalam kelas KL3. 4. Jika peminjam memberikan agunan A3, dengan besar kemampuan agsuraan pada kelas KA1, pendapatan keluarga D2, nilai jaminan N3, pengeluaran keluarga K2, maka status peminjam tersebut termasuk dalam kelas KL1. 5. Jika peminjam memberikan agunan A3, dengan besar kemampuan agsuraan pada kelas KA1, pendapatan keluarga D2, nilai jaminan N3, pengeluaran keluarga K3, maka status peminjam tersebut termasuk dalam kelas KL3. E. Proses Klasifikasi Menggunakan Naïve Bayes Setelah penerapan klasifikasi dengan metode decision tree C4.5 terhadap data kredit pada Koperasi X maka hasil tersebut akan dibandingkan dengan hasil klasifikasi menggunakan naïve bayes. Pada penerapan algoritma naïve bayes, data yang digunakan adalah data yang telah melewati tahap preprocessing yaitu sebanyak 979 dataset. Berikut adalah contoh salah satu perhitungan klasifikasi naïve bayes untuk mencari kelas target pada salah satu peminjam kredit koperasi. Tabel 3.19 Data Prediksi Pekerjaan Umur Pekerjaan Suami/Istri Pendapatan Keluarga Pengeluaran Keluarga Pinjaman PK3 U3 PS3 D3 K2 PJ2 Kemampuan angsuran Jangka Waktu Agunan Status Agunan Nilai Jaminan Tujuan Kelas KA3 J1 A3 SA1 N3 T2 72

28 Data pada Tabel 3.19 menyatakan bahwa pekerjaan pemohon kredit tergolong dalam PK3, umur tergolong dalam U3, pekerjaan suami/istri tergolong dalam PS3, pendapatan keluarga tergolong dalam D3, besar pengeluaran keluarga tergolong dalam K2, pinjaman tergolong dalam PJ2, kemampuan angsuran tergolong dalam KA3, jangka waktu tergolong dalam J1, agunan tergolong dalam A3, status agunan tergolong dalam SA1, nilai jaminan tergolong dalam N3, dan tujuan tergolong dalam T2. Perhitungan klasifikasi naïve bayes dilakukan untuk mengetahui kelas target pada data prediksi tersebut dengan P(C i ) merupakan kelas target. Kemudian akan ditentukan atribut yang digunakan dengan ketentuan: C 1 = (kelas target= KL1 ) C 2 = (kelas target= KL2 ) C 3 = (kelas target= KL3 ) C 4 = (kelas target= KL4 ) x 1 = (pekerjaan= PK3 ) x 2 = (umur= U3 ) x 3 = (pekerjaan suami/istri= PS3 ) x 4 = (pendapatan keluarga= D3 ) x 5 = (pegeluaran keluarga= K2 ) x 6 = (pinjaman= PJ2 ) x 7 = (kemampuan angsuran= KA3 ) x 8 = (jangka waktu= J1 ) x 9 = (agunan= A3 ) x 10 = (status agunan= SA1 ) x 11 = (nilai jaminan= N3 ) 73

29 x 12 = (tujuan= T2 ) Langkah-langkah perhitungan klasifikasi naïve bayes berdasarkan data kredit yang telah mengalami preprocessing sebagai berikut: 1. Langkah pertama adalah menghitung probabilitas kelas target yaitu P(C i ) untuk i = 1, 2, 3, 4. Pada kelas target atau atribut Kelas yang bernilai KL1 sebanyak 668 data, KL2 sebanyak 91 data, KL3 sebanyak 159 data, KL4 sebanyak 61 data. Maka akan dihitung nilai P(C i ) berdasarkan persamaan (2.11), yaitu: P(C 1 ) = P(Kelas = "KL1") = = 0,68233 P(C 2 ) = P(Kelas = "KL2") = = 0,09295 P(C 3 ) = P(Kelas = "KL3") = = 0,16241 P(C 4 ) = P(Kelas = "KL4") = = 0, Menghitung nilai P(x k C i ) untuk k = 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12 dan i = 1, 2, 3, 4 yaitu: P(x 1 C 1 ) = P(Pekerjaan = "PK3" Kelas = "KL1") = P(x 1 C 2 ) = P(Pekerjaan = "PK3" Kelas = "KL2") = P(x 1 C 3 ) = P(Pekerjaan = "PK3" Kelas = "KL3") = P(x 1 C 4 ) = P(Pekerjaan = "PK3" Kelas = "KL4") = P(x 2 C 1 ) = P(Umur = "U3" Kelas = "KL1") = P(x 2 C 2 ) = P(Umur = "U3" Kelas = "KL2") =

30 P(x 2 C 3 ) = P(Umur = "U3" Kelas = "KL3") = P(x 2 C 4 ) = P(Umur = "U3" Kelas = "KL4") = P(x 3 C 1 ) = P(Pekerjaan Suami/Istri = "PS3" Kelas = "KL1") = P(x 3 C 2 ) = P(Pekerjaan Suami/Istri = "PS3" Kelas = "KL2") = P(x 3 C 3 ) = P(Pekerjaan Suami/Istri = "PS3" Kelas = "KL3") = P(x 3 C 4 ) = P(Pekerjaan Suami/Istri = "PS3" Kelas = "KL4") = P(x 4 C 1 ) = P(Pendapatan Keluarga = "D3" Kelas = "KL1") = P(x 4 C 2 ) = P(Pendapatan Keluarga = "D3" Kelas = "KL2") = P(x 4 C 3 ) = P(Pendapatan Keluarga = "D3" Kelas = "KL3") = P(x 4 C 4 ) = P(Pendapatan Keluarga = "D3" Kelas = "KL4") = P(x 5 C 1 ) = P(Pengeluaran keluarga = "K2" Kelas = "KL1") = P(x 5 C 2 ) = P(Pengeluaran keluarga = "K2" Kelas = "KL2") = P(x 5 C 3 ) = P(Pengeluaran keluarga = "K2" Kelas = "KL3") = P(x 5 C 4 ) = P(Pengeluaran keluarga = "K2" Kelas = "KL4") = P(x 6 C 1 ) = P(Pinjaman = "PJ2" Kelas = "KL1") = P(x 6 C 2 ) = P(Pinjaman = "PJ2" Kelas = "KL2") = P(x 6 C 3 ) = P(Pinjaman = "PJ2" Kelas = "KL3") = P(x 6 C 4 ) = P(Pinjaman = "PJ2" Kelas = "KL4") =

31 P(x 7 C 1 ) = P(Kemampuan angsuran = "KA3" Kelas = "KL1") = P(x 7 C 2 ) = P(Kemampuan angsuran = "KA3" Kelas = "KL2") = P(x 7 C 3 ) = P(Kemampuan angsuran = "KA3" Kelas = "KL3") = P(x 7 C 4 ) = P(Kemampuan angsuran = "KA3" Kelas = "KL4") = P(x 8 C 1 ) = P(Jangka waktu = "J1" Kelas = "KL1") = P(x 8 C 2 ) = P(Jangka waktu = "J1" Kelas = "KL2") = P(x 8 C 3 ) = P(Jangka waktu = "J1" Kelas = "KL3") = P(x 8 C 4 ) = P(Jangka waktu = "J1" Kelas = "KL4") = P(x 9 C 1 ) = P(Agunan = "A3" Kelas = "KL1") = P(x 9 C 2 ) = P(Agunan = "A3" Kelas = "KL2") = P(x 9 C 3 ) = P(Agunan = "A3" Kelas = "KL3") = P(x 9 C 4 ) = P(Agunan = "A3" Kelas = "KL4") = P(x 10 C 1 ) = P(Status agunan = "SA1" Kelas = "KL1") = P(x 10 C 2 ) = P(Status agunan = "SA1" Kelas = "KL2") = P(x 10 C 3 ) = P(Status agunan = "SA1" Kelas = "KL3") = P(x 10 C 4 ) = P(Status agunan = "SA1" Kelas = "KL4") = P(x 11 C 1 ) = P(Nilai jaminan = "N3" Kelas = "KL1") = P(x 11 C 2 ) = P(Nilai jaminan = "N3" Kelas = "KL2") =

32 P(x 11 C 3 ) = P(Nilai jaminan = "N3" Kelas = "KL3") = P(x 11 C 4 ) = P(Nilai jaminan = "N3" Kelas = "KL4") = P(x 12 C 1 ) = P(Tujuan = "T2" Kelas = "KL1") = P(x 12 C 2 ) = P(Tujuan = "T2" Kelas = "KL2") = P(x 12 C 3 ) = P(Tujuan = "T2" Kelas = "KL3") = P(x 12 C 4 ) = P(Tujuan = "T2" Kelas = "KL4") = Langkah selanjutnya adalah menghitung P(X C i ) untuk i = 1, 2 dan dengan menggunakan persamaan (2.12) diperoleh: P(X C 1 ) = P(x k C 1 ) = k= = 1, P(X C 2 ) = P(x k C 2 ) = k= = 9, P(X C 3 ) = P(x k C 3 ) = k= = 1, P(X C 4 ) = P(x k C 4 ) = k= = 1,

33 4. Menghitung nilai P(X C i )P(C i ) yaitu P(X C 1 )P(C 1 ) = 1, ,68233 = 7, P(X C 2 )P(C 2 ) = 9, ,09295 = 8, P(X C 3 )P(C 3 ) = 1, ,16241 = 2, P(X C 4 )P(C 4 ) = 1, , = 1, Dari perhitungan P(X C i )P(C i ) di atas, diperoleh bahwa nilai tertinggi diberikan oleh P(X C 4 )P(C 4 ) sehingga hasil pengklasifikasian pada data di atas dapat dilihat pada Tabel 3.17 berikut. Tabel 3.20 Hasil Klasifikasi Data Pekerjaan Umur Pekerjaan Suami/Istri Pendapatan Keluarga Pengeluaran Keluarga Pinjaman PK3 U3 PS3 D3 K2 PJ2 Kemampuan angsuran Jangka Waktu Agunan Status Agunan Nilai Jaminan Tujuan Kelas KA3 J1 A3 SA1 N3 T2 KL4 Berdasarkan Tabel 3.20, diperoleh informasi bahwa peminjam dengan pekerjaan PK3, umur U3, pekerjaan suami/istri PS3, pendapatan keluarga D3, pengeluaran keluarga K2, pinjaman PJ2, kemampuan angsuran KA3, jangka waktu J1, agunan A3, status agunan SA1, nilai jaminan N3, tujuan T2 maka peminjam tersebut termasuk dalam kelas KL4. Pada proses data mining diperlukan bantuan software WEKA karena jumlah dataset yang cukup banyak sehingga akan sulit jika diolah secara manual dan memerlukan waktu lama. Pengklasifikasian menggunakan WEKA dimulai dengan menyiapkan data yang telah mengalami preprocessing dengan format csv. 78

34 Selanjutnya dilakukan classifier dengan naïve bayes. Ilustrasi klasifikasi naïve bayes menggunakan WEKA ditunjukkan oleh Gambar 3.8. Gambar 3.8 Naïve Bayes menggunakan WEKA Visualisasi output WEKA menggunakan teknik klasifikasi algoritma naïve bayes dengan jumlah data 979 ditunjukkan pada Gambar

35 === Classifier model (full training set) === Naive Bayes Classifier Class Attribute KL3 KL1 KL4 KL2 (0.16) (0.68) (0.06) (0.09) ==================================================== Pekerjaan PK PK PK PK PK PK [total] Umur U U U U U [total] Time taken to build model: 0 seconds Gambar 3.9 Hasil Output WEKA Klasifikasi Menggunakan Naïve Bayes Output program WEKA Gambar 3.9 merupakan model klasifikasi naïve bayes. Berdasarkan output dapat diketahui bahwa pada atribut pekerjaan mempunyai total class KL1 sebanyak 674, class KL2 sebanyak 97, class KL3 sebanyak 165, class KL4 sebanyak 67 sehingga total class seluruhnya ada 1.003, sedangkan jumlah data sebenarnya adalah 979. Hal ini terjadi karena klasifikasi naïve bayes pada program WEKA menghindari frekuensi nol di setiap class sehingga terjadi penambahan 1 angka di setiap class. Pada output di atas juga dapat diketahui bahwa model naïve bayes terbentuk dalam waktu mendekati 0 detik. F. Pengujian Model Pengujian model dilakukan dengan beberapa model tes klasifikasi yaitu menggunakan option use training set, cross validation, dan percentage split. 80

36 Menurut Witten, et al (2011: 153) jumlah fold standar untuk memprediksi tingkat error dari data adalah dengan menggunakan 10-fold cross validation. Sehingga pada penelitian ini digunakan 10-fold cross validation. Menurut Hota, Shrivas & Singhai (2013: 165) terdapat beberapa komposisi data training dan data testing yang sering digunakan, yaitu 1. 60% untuk data training dan 40% untuk data testing, 2. 75% untuk data training dan 25% untuk data testing, 3. 80% untuk data training dan 20% untuk data testing. Pembagian data pada penelitian ini sebesar 80% untuk data training dan 20% untuk data testing. Berdasarkan pengujian menggunakan beberapa model tes tersebut akan diketahui nilai akurasi dari masing-masing model. Hasil yang diperoleh dari tes dengan use training set, 10-fold cross validation, dan percentage split dapat dilihat pada Tabel Tabel 3.21 Hasil Evaluasi Decision Tree C4.5 dan Naïve Bayes Decision Tree C4.5 Use Training 10-Fold Cross Percentage Split Set Validation Correctly Classified 71,91% 68,03% 66,84% Incorrect Classified 28,09% 31,97% 33,16% Waktu komputasi (satuan:detik) 0,25 0,14 0,02 Naïve Bayes Use Training Set 10-Fold Cross Validation Percentage Split Correctly Classified 67,01% 64,66% 65,82% Incorrect Classified 32,99% 35,34% 34,18% Waktu komputasi (satuan:detik) 0,

37 Berdasarkan Tabel 3.21 akurasi yang diberikan dengan model tes use training set, 10-fold cross validation, dan percentage split pada decision tree C4.5 berurutan adalah 71,91%, 68,03%, dan 66,84%, sedangkan pada naïve bayes berurutan adalah 67,01%, 64,66%, dan 65,82%. Dapat diambil informasi bahwa secara keseluruhan klasifikasi decision tree C4.5 memiliki kecenderungan tingkat akurasi yang lebih tinggi. Waktu komputasi yang diberikan dengan model tes use training set, cross validation, dan percentage split pada decision tree C4.5 berturutturut adalah 0,25 detik, 0,14 detik, dan 0,02 detik, sedangkan pada naïve bayes berturut-turut adalah 0,01 detik, mendekati 0 detik, dan mendekati 0 detik. Dapat diambil informasi bahwa klasifikasi naïve bayes mempunyai waktu komputasi yang lebih cepat dibanding decision tree C4.5. Berdasarkan hasil akurasi dengan beberapa model tes, use training set adalah model tes yang mempunyai tingkat akurasi paling tinggi. Model tes tersebut memang mempunyai tingkat akurasi yang bagus namun tidak memberikan estimasi akurasi yang sebenarnya terhadap data yang lain karena seluruh data digunakan untuk data testing maupun data training. 82