Universitas Dian Nuswantoro Jalan Nakula 1 No 5-11, (024) , Semarang

Ukuran: px

Mulai penontonan dengan halaman:

Download "Universitas Dian Nuswantoro Jalan Nakula 1 No 5-11, (024) , Semarang"

Suparman Lesmono
6 tahun lalu
Tontonan:

1 PENERAPAN DATA MINING KLASIFIKASI DENGAN MENGGUNAKAN ALGORITMA C4.5 PADA DATA NASABAH KREDIT DI BANK KREDIT DESA (BKD) KABUPATEN REMBANG Dia Rusdiaa Sari Uiversitas Dia Nuswatoro Jala Nakula 1 No 5-11, (024) , Semarag iez.drs@gmail.com ABSTRAK Bak adalah salah satu lembaga keuaga yag berpera petig dalam perekoomia di Idoesia. Bak meghimpu daa dari masyarakat yaitu berupa simpaa tabuga yag dilakuka oleh masyarakat, kemudia bak melakuka peraa bak yag lai yaitu memberika jasa keuaga berupa kredit. Bak Kredit Desa (BKD) merupaka salah satu perbaka yag melayai perkredita di desa. Adaya BKD memudahka bagi rakyat pedesaa utuk memijam daa. Kebutuha masyarakat pedesaa yag semaki meigkat meyebabka tidak sedikitya yag melakuka kredit di BKD. Pada peelitia ii diguaka tekik data miig klasifikasi dega metode algoritma C4.5 utuk megetahui apakah asabah tergolog asabah lacar ataupu macet.. Dari hasil pegujia data meghasilka akurasi sebesar 84,67% yag tergolog good classificatio da meghasilka rule dari poho keputusa yag diterapka pada implemetasi sistem klasifikasi data asabah kredit di BKD Kabupate Rembag. Model ii berhasil diterapka sistem utuk megetahui asabah yag tergolog lacar ataupu macet. Kata kuci : data miig, klaifikasi, algoritma C4.5, kredit 1. Pedahulua Bak adalah salah satu lembaga keuaga yag berpera petig dalam perekoomia di Idoesia. Bak meghimpu daa dari masyarakat yaitu berupa simpaa tabuga yag dilakuka oleh masyarakat, kemudia bak melakuka peraa bak yag lai yaitu memberika jasa keuaga berupa kredit, agar daa yag dihimpu dari masyarakat bisa diputar kembali dalam betuk pijama da pihak bak meguragi resiko likuiditas sehigga daa yag ada dapat mejadi modal oleh pihak bak utuk meyalurkaya dalam betuk kredit, sehigga pihak bak tidak haya membayar buga atas tabuga dari asabah [1]. Meurut SK Direksi Bak Idoesia No 31/KEP/DIR/ taggal 12 November 1998 bahwa kegiata perkredita merupaka proses

2 pembetuka asser bak sehigga kredit merupaka asset bak yag memiliki risiko risk asset karea asset tersebut dikuasai oleh pihak luar yaitu debitur. Bak harus berusaha megelola asset tersebut agar kualitas risk asset tersebut mejadi sehat dalam arti produktif sehigga dapat memberika kotribusi pedapata yag besar bagi bak. BKD (Bak Kredit Desa) merupaka salah satu perbaka yag melayai perkredita di desa. BKD sudah ada sejak jama koloial Belada, yag diritis oleh seorag asiste reside pada tahu 1897 da kemudia dikukuhka berdasarka Ordoasi 14 September 1929 (Staatsblad No. 357). Adaya BKD memudahka bagi rakyat pedesaa utuk memijam daa. Kebutuha masyarakat pedesaa yag semaki meigkat meyebabka tidak sedikitya yag melakuka kredit di BKD. Didalam meyalurka daa kredit bak medapati ada beberapa kredit yag dikataka kurag lacar atau kredit macet yag kemudia aka berpegaruh kepada pemberia kredit selajutya atau juga bisa mempegaruhi kemampua bak didalam meyalurka kredit [1]. Dalam peelitia ii, peulis melakuka aalisa kredit dega meggali datadata yag sudah ada terhadap data asabah kredit BKD Rembag berdasarka atributatributya dega tekik data miig megguaka algoritma C 4.5. Data miig adalah proses megaalisa data dari perspektif yag berbeda da meyimpulkaya mejadi iformasi - iformasi yag petig yag dapat diguaka utuk meigkatka keutuga, memperkecil biaya pegeluara atau keduaya[2]. Algoritma C4.5 merupaka kelompok algoritma decisio tree. Algoritma ii mempuyai iput berupa traiig samples da samples [3]. Oleh karea itu, peelitia ii fokus pada pemafaata data miig dega megguaka algoritma C4.5 utuk klasifikasi data asabah kredit, sehigga dapat diketahui apakah asabah bersagkuta termasuk ke dalam gologa asabah lacar ataupu macet da sebagai acua utuk permohoa kredit selajutya. Peelitia sebelumya dilakuka oleh Fitri Nuraei, Rahadi Deli Saputra da Neeg Sri Uryai Algoritma C 4.5 Utuk Klasifikasi Pola Pembayara Kredit Motor Pada Perusahaa Pembiayaa (Leasig). Pada tahu 2012, Agga Giajar Mabrur da Riai Lubis Peerapa Data Miig Utuk Memprediksi Kriteria Nasabah Kredit. Peelitia sebelumya melakuka

3 peelitia utuk membadigka beberapa algoritma data miig seperti regresi liier, eural etwork, da decisio tree. Semua model algoritma diguaka utuk megaalisa persetujua pijama dalam betuk kredit. Dari hasil peelitia yag didapat bahwa decisio tree dega algoritma C4.5 terbukti mempuyai akurasi tertiggi dalam meetuka keputusa dibadigka dega algoritma yag lai [4]. 2. Metode Peelitia Pada peelitia ii megguaka model Cross Stadard Idustry for Data Miig (CRISP-DM) [5] seperti pada gambar 1: Gambar 1. CRISP-DM a) Pemahama Bisis Istilah kredit memiliki arti khusus, yaitu memijamka uag(peudaa pembayara) [1]. Didalam meyalurka daa kredit bak medapati ada beberapa kredit yag dikataka kurag lacar atau kredit macet yag kemudia aka berpegaruh kepada pemberia kredit selajutya atau juga bisa mempegaruhi kemampua bak didalam meyalurka kredit [1]. Gua utuk mecegah kredit macet maka harus adaya klasifikasi terhadap data asabah. b) Pemahama Data Data yag diguaka pada peelitia ii diperoleh dari BKD Rembag. Data yag diperoleh yaitu data asabah yag melakuka kredit pada BKD Rembag yag terdiri dari 10 variabel atau atribut diataraya o pijama, ama, alamat, jeis kelami, pekerjaa, peghasila, pijama, jeis pijama, waktu pijama da keteraga. c) Pegolaha Data Pada pegolaha data ii, data yag aka diguaka adalah sebagai berikut: Tabel 1 Keduduka Atribut yag Diguaka Atribut Keguaa No pijama Tidak diguaka Nama Tidak diguaka Alamat Tidak diguaka Jeis Kelami Tidak diguaka

4 Pekerjaa Peghasila Pijama Jeis Waktu Tidak diguaka (ilai (ilai (ilai (ilai Keteraga Label (hasil) Atribut diguaka sebagai berikut: yag dikategorika Tabel 2 Kategori Atribut Atribut Peghas ila Pijama Keteraga a)kecil <= b) <se dag<= c)besar > a) < Kecil <= b) <se dag <= c) < Besar<= Waktu a)pedek <= 10 bula b)10 bula < Sedag <= 26 bula c)pajag > 26 bula d) Pemodela (Modelig) Pada tahap pemodela algoritma C4.5 dalam pegembaga model megguaka framework RapidMier versi 6 sehigga dapat meghasilka hasil yag akurat. Rumus perhituga Etropy ( ) (2) Gai Keteraga: S : Himpua kasus : Jumlah partisi S pi : Proporsi dari S i ke S Rumus perhituga ( ) ( ) ( ( )) (1) Keteraga: S : Kasus A : Atribut atribut A :Jumlah partisi

5 S i : Jumlah kasus pada partisi ke-i S : Jumlah Kasus e) Evaluasi Dalam tahap ii dilakuka pegukura akurasi. f) Fase Peyebara (Deploymet Phase) Hasil dari peelitia ii adalah aalisis yag megarah ke Decisio Support System (DSS) yag dapat diguaka oleh BKD utuk megklasifikasika data asabah kredtit yag tergolog lacar maupu macet. 3. Pembahasa Pegujia data dilakuka dega megguaka algoritma C4.5 pada rapidmier yag meghasilka poho keputusa seperti berikut: Gambar 3. Cofusio matrix Kemudia rule yag dihasilka pada pegujia data kemudia diimplemetasika pada program. Gambar 4. Implemetasi 4. Kesimpula Dari permasalaha di atas dapat disimpulka bahwa klasifikasi data asabah kredit di BKD Rembag dapat diselesaika megguaka tekik data miig, yaitu dega meguaka algoritma C4.5, karea rules yag terbetuk sederhaa. Akurasi yag dihasilka dari pemodela algoritma C4.5 sebesar 84,67% yag tergolog Good Classificatio. Gambar 2. Decisio tree Selai meghasilka poho keputusa, juga meghasilka akurasi pada cofusio matrix berikut ii: 5. Daftar Pustaka

6 [1] Nurul Fitria ad Raia Lida Sari, "Aalisis Kebijaka Pemberia Kredit da Pegaruh No Performig Loa Terhadap Loa To Deposit Ratio Pada PT. Bak Rakyat Idoesia (Persero), Tbk Cabag Ratau Aceh Tamiag (Periode )," Ekoomi da Keuaga, vol. 1, o. 1, pp , Desember [2] Agga Giajar Mabrur ad Riai Lubis, "Peerapa Data Miig Utuk Memprediksi Kriteria Nasabah Kredit," Komputer da Iformatika (KOMPUTA), vol. 1, pp , Maret Utuk Klasifikasi Pola Pembayara Kredit Motor Pada Perusahaa Pembiayaa (Leasig)," Semiar Nasioal Iformatika, pp , [5] Irwa Budima, "Data Clusterig Megguaka CRISP-DM utuk Pegeala Pola Proporsi Pelaksaaa Tridharma," Uiversitas, Dipoegoro, Thesis Sistem Iformasi [3] Sujaa, "Klasifikasi Data Nasabah Sebuah Asurasi Megguaka Algoritma C 4.5," Semiar Nasioal Aplikasi Tekologi Iformasi 2010 (SNATI 2010), pp , Jui [4] Fitri Nuraei, Rahadi Deli Saputra, ad Neeg Sri Uryai, "Algoritma C4.5

dokumen-dokumen yang mirip

IV. METODE PENELITIAN. berdasarkan tujuan penelitian (purposive) dengan pertimbangan bahwa Kota

IV. METODE PENELITIAN. berdasarkan tujuan penelitian (purposive) dengan pertimbangan bahwa Kota IV. METODE PENELITIAN 4.1. Lokasi da Waktu Peelitia ii dilaksaaka di Kota Bogor Pemiliha lokasi peelitia berdasarka tujua peelitia (purposive) dega pertimbaga bahwa Kota Bogor memiliki jumlah peduduk yag