3

BAB II DASAR TEORI

2.1. Data mining

Data mining adalah teknik menganalisis data dan menemukan pola-pola tersembunyi baik secara

otomatis maupun semi-otomatis. Saat ini database mengumpulkan dan menyimpan data dalam

jumlah yang sangat besar. Data ini berasal dari berbagai aplikasi bisnis seperti core banking,

kredit sistem, Customer Information System, Human Resourse Sistem yang saling terintegrasi.

Hasil pengumpulan data ini adalah bahwa organisasi telah menjadi kaya akan data namun

knowledge yang dapat didapatkan sedikit. Pengumpulan data telah menjadi begitu luas dan

meningkat begitu cepat dalam ukuran yang besar.

Tujuan utama dari data mining adalah untuk mengekstrak pola dari data pada database,

meningkatkan nilai intrinsik kemudian mentransfer data untuk menghasilkan knowledge. Data

mining banyak memberikan nilai bisnis bagi perusahaan.

Berikut beberapa alasan data mining menjadi penting saat ini:

• Data yang tersedia sangat besar:

Selama dekade terakhir, harga hardware, terutama hard disk, telah menurun

drastis. Bersama dengan ini, perusahaan telah menyimpan data yang sangat besar melalui

banyak aplikasi. Dengan semua data ini untuk mengeksplorasi, perusahaan menginginkan

dapat menemukan pola dan informasi yang tersembunyi sehingga dapat membantu

mengarahkan strategi bisnis perusahaan manjadi lebih baik.

4

• Meningkatkan kompetisi:

Kompetisi yang tinggi sebagai dampak dari modernisasi pasar dan distribusi seperti

Internet dan telekomunikasi. Perusahaan-perusahaan di seluruh dunia menghadapi

persaingan, dan kunci untuk keberhasilan bisnis adalah kemampuan untuk

mempertahankan pelanggan dan memperoleh pelanggan baru. Data mining adalah

teknologi yang memungkinkan perusahaan untuk menganalisis faktor-faktor yang

mempengaruhi masalah ini.

• Technology yang telah siap:

Teknologi Data mining yang sebelumnya hanya ada dalam wilayah akademis, tapi

sekarang banyak dari teknologi tersebut telah matang dan siap diterapkan dalam

industri. Algoritma yang lebih akurat,lebih efisien dan dapat menangani data yang

semakin rumit. Selain itu pemrograman aplikasi antarmuka data mining (API) telah

distandarisasi, yang akan memungkinkan para pengembang untuk membangun aplikasi

data mining yang lebih baik. Data mining dapat digunakan untuk memecahkan ratusan

masalah bisnis.

Berdasarkan sifat masalah kita dapat mengelompokkan teknik – teknik data mining menjadi:

• Klasifikasi

Klasifikasi adalah salah satu pekerjaan yang paling populer dalam data mining. Masalah

bisnis seperti analisis acak, manajemen risiko dan penargetan iklan yang biasanya

melibatkan klasifikasi. Klasifikasi mengacu pada kasus ke kategori berdasarkan prediksi

atribut. Setiap kasus berisi satu set atribut, salah satunya adalah atribut kelas (prediksi

atribut). Proses memerlukan menemukan sebuah model yang menggambarkan atribut

5

kelas sebagai fungsi masukan atribut. Dalam Rencana College Dataset sebelumnya

dijelaskan, kelas adalah Rencana College atribut dengan dua bagian: Ya dan No. Untuk

melatih model klasifikasi, perlu mengetahui nilai kelas dari masukan kasus kedalam

pelatihan Dataset, yang biasanya adalah data historis. Algoritma Data mining

membutuhkan target untuk belajar berbeda dengan algoritma supervised. Beberapa

algoritma klasifikasi adalah decision trees, neural network, and Naïve Bayes.

• Clustering

Clustering juga disebut segementasi. Hal ini digunakan untuk mengidentifikasi kelompok

secara umum yang didasarkan pada seperangkat atribut

Gambar 1.3 menampilkan dataset pelanggan sederhana yang mengandung dua atribut:

usia dan pendapatan. Para kelompok-kelompok algoritma clustering yang Dataset

menjadi tiga segmen didasarkan pada kedua atribut.

Cluster 1 berisi populasi yang lebih muda dengan pendapatan rendah.

Cluster 2 berisi setengah baya pelanggan dengan pendapatan yang lebih tinggi.

Cluster 3 adalah kelompok individu senior dengan pendapatan yang relatif rendah.

Clustering adalah proses unsupervised data mining. Tidak ada satu atribut yang

digunakan untuk memandu proses pelatihan. Semua masukan atribut diperlakukan

sama. Kebanyakan algoritma Clustering membangun model melalui sejumlah iterasi dan

berhenti ketika model terpenuhi, yakni ketika batas-batas segmen telah stabil.

6

Umur

penghasilan

cluster 1

cluster 3

cluster 2

Clustering

Gambar 2.1. Clustering

• Asosiasi

Asosiasi adalah proses populer lain dari data mining. Asosiasi ini juga disebut analisis

keranjang pasar (market basket analysis). Jenis problem bisnis dari asosiasi adalah untuk

menganalisis suatu tebel transaksi penjualan dan mengidentifikasi produk-produk mana

yang sering terjual besamaan pada saat perbelanjaan. Penggunaan yang umum asosiasi

adalah untuk mengidentifikasi set item yang umum dan aturan untuk tujuan cross-

selling.

Dalam hal asosiasi, setiap produk, atau lebih umum, setiap atribut / nilai pasangan

dianggap item. Tugas asosiasi memiliki dua tujuan: untuk mencari sering itemsets yang

sering muncul dan untuk mencari aturan asosiasi.

7

Kebanyakan jenis algoritma asosiasi menemukan itemsets yang sering dengan

memindai (scanning). Dataset beberapa kali. Frekuensi ambang batas (dukungan)

didefinisikan oleh pengguna sebelum memproses model. Sebagai contoh, support = 2%

berarti bahwa model menganalisa hanya item yang muncul sekurang-kurangnya 2% dari

shopping cart. Afrequent itemset mungkin terlihat seperti (Product = "Pepsi", Product =

"Chips", Product = "Juice"). Masing-masing memiliki jumlah itemset, yang merupakan

jumlah item yang dikandungnya.Jumlah itemset dalam hal ini adalah 3.

Selain mengidentifikasi itemsets yang sering (frequent itemsets) berdasarkan support,

sebagian besar jenis algoritma asosiasi juga menemukan aturan. Aturan asosiasi

mempunyai bentuk A, B => C dengan probabilitas, di mana A, B, C adalah semua item

set yang sering. Probabilitas ini juga disebut sebagai confidence dalam literatur data

mining. Probabilitas adalah ambang nilai (threshold) bahwa kebutuhan pengguna untuk

menentukan sebelum pelatihan sebuah model asosiasi. Sebagai contoh, berikut ini adalah

aturan khas: Product = "Pepsi", Product = "Chip" => Product = "Juice" dengan

probabilitas 80%. Penafsiran aturan ini sangatlah mudah. Jika seorang pelanggan

membeli Pepsi dan keripik, ada 80% kesempatan bahwa ia mungkin juga membeli

jus. Gambar 1.4 menampilkan pola produk asosiasi . Setiap simpul dalam gambar

mewakili suatu produk, masing-masing tepi mewakili hubungan. Arah tepi mewakili

arah prediksi. Sebagai contoh, tepi dari Susu ke Keju menunjukkan bahwa mereka

yang membeli susu mungkin juga membeli keju.

8

2.2. Siklus Proyek Data Mining

Berikut siklus data mining. langkah-langkah apa yang menantang, siapa saja yang harus terlibat

dalam proyek data mining akan dijelaskan setiap langkah nya sebagai berikut

Step 1: Data Collection

Langkah pertama dalam data mining biasanya pengumpulan data (data collection). Data Bisnis

disimpan dalam banyak sistem dalam perusahaan. Sebagai contoh, ada ratusan OLTP database

dan lebih dari 70 gudang data (datawarehouse) di dalam Microsoft. Langkah pertama adalah

untuk menarik data yang relevan ke suatu database atau data mart di mana analisis data

diterapkan. Sebagai contoh, jika ingin menganalisis aliran klik Web dan perusahaan memiliki

selusin Web server, langkah pertama adalah men-download Web log data dari masing-masing

web server.

Kadang-kadang mungkin akan beruntung. Gudang data dari subjek yang akan dianalisis sudah

ada. Namun, data dalam gudang data tidak cukup kaya. Kita masih perlu untuk mengumpulkan

data dari sumber lain. Anggaplah bahwa ada gudang data klik yang berisi semua klik dari Situs

web perusahaan. Anda memiliki informasi dasar tentang pola navigasi pelanggan. Namun,

karena tidak banyak informasi demografis tentang pengunjung web Anda, Anda mungkin perlu

untuk membeli atau mengumpulkan beberapa demografis data dari sumber lain dalam rangka

membangun model yang lebih akurat. Setelah data yang dikumpulkan, Anda dapat mengambil

sampel data untuk mengurangi volume Dataset pelatihan. Dalam banyak kasus, pola-pola yang

terkandung dalam 50.000 pelanggan adalah sama seperti dalam 1 juta pelanggan.

9

Step 2: Data Cleaning and Transformation

Pembersihan dan transformasi data adalah langkah dalam data mining yang paling memerlukan

sumber daya yang intensif. Tujuan dari pembersihan data adalah untuk menghilangkan noise dan

informasi yang tidak relevan dari Dataset. Tujuan transformasi data adalah untuk memodifikasi

sumber data ke format yang berbeda dalam hal jenis dan nilai data.

Ada berbagai teknik yang dapat diterapkan untuk pembersihan dan transformasi data,termasuk:

• Transformasi tipe data: Ini adalah transformasi data yang paling sederhana. Contohnya

mengubah tipe kolom yang Boolean ke tipe integer. Alasan untuk mengubah ini adalah

bahwa beberapa algoritma data mining berperforma lebih baik pada integer data,

sementara yang lain lebih baik pada data Boolean.

• Continuous kolom transform: Untuk data kontinu seperti pendapatan dan umur, yang

khas adalah membagi data. Sebagai contoh, Anda mungkin ingin membagi Usia ke lima

kelompok standar usia kelompok. Selain dari pembagian data , teknik normalisasi

populer untuk mengubah data kontinu. Normalisasi memetakan semua numerik nilai ke

angka antara 0 dan 1 (atau -1 untuk 1) untuk memastikan bahwa besar angka tidak

mendominasi nomor yang lebih kecil selama analisis.

• Pengelompokan: Kadang-kadang terdapat terlalu banyak nilai-nilai yang berbeda untuk

diskrit kolom. Diperlukan kelompok nilai-nilai ini ke dalam beberapa kelompok untuk

mengurangi kompleksitas model. Sebagai contoh, kolom Profesi mungkin memiliki

puluhan nilai-nilai yang berbeda seperti Software Engineer, Telecom Engineer,

Mechanical Engineer, Konsultan, dan seterusnya. Anda dapat mengelompokkan berbagai

profesi engineering dengan menggunakan nilai tunggal: Engineer. Pengelompokan juga

10

membuat model lebih mudah untuk menafsirkannya.

• Agregasi: Agregasi adalah transformasi penting lain. Misalkan bahwa ada tabel yang

berisi detail catatan panggilan telepon (CDR) untuk setiap pelanggan, dan tujuan Anda

adalah melakukan segmen pelanggan berdasarkan penggunaan telepon bulanan. Karena

informasi CDR terlalu rinci untuk model, Anda perlu untuk menggabungkan semua

panggilan ke beberapa atribut yang diturunkan seperti jumlah panggilan dan rata-rata

lama panggilan. Atribut yang diturunkan ini di kemudian hari dapat digunakan dalam

model.

Penanganan Nilai yang hilang: Hampir semua dataset mengandung nilai-nilai yang hilang. Ada

sejumlah penyebab data hilang. Sebagai contoh, Anda mungkin memiliki dua tabel pelanggan

yang berasal dari dua OLTP database. Penggabungan tabel ini dapat menghasilkan nilai-nilai

yang hilang, karena definisi tabel tidak tepat sama. Dalam contoh lain, tabel demografis

pelanggan Anda mungkin memiliki kolom untuk usia. Tetapi pelanggan tidak selalu seperti

untuk memberikan informasi ini selama pendaftaran. Anda mungkin memiliki tabel penutupan

harian nilai untuk saham MSFT. Karena pasar saham ditutup pada akhir pekan,akan ada nilai

null untuk tanggal tersebut dalam tabel. Addressing hilang nilai-nilai adalah masalah

penting. Ada beberapa cara untuk menangani masalah ini. Anda dapat mengganti nilai yang

hilang dengan yang paling popular nilai (konstan). Jika Anda tidak tahu usia pelanggan, Anda

dapat menggantinya dengan usia rata-rata dari semua pelanggan. Ketika record memiliki terlalu

banyak nilai hilang, Anda dapat dengan mudah menghapusnya. Untuk kasus yang lebih lanjut,

Anda dapat membangun model data mining yang menggunakan kasus yang lengkap, dan

11

kemudian menerapkan model untuk memprediksi nilai yang paling mungkin untuk setiap kasus

hilang.

Menghapus outliers: Outliers adalah kasus abnormal dalam dataset. Kasus Abnormal yang

mempengaruhi kualitas sebuah model. Sebagai contoh, anggaplah bahwa Anda ingin

membangun model segmentasi pelanggan berdasarkan penggunaan pelanggan telepon (durasi

rata-rata, total jumlah panggilan, faktur bulanan, panggilan internasional, dan sebagainya) Ada

beberapa pelanggan (0,5%) yang berperilaku sangat berbeda.Beberapa dari pelanggan ini hidup

di atas kapal dan menggunakan roaming. Sepanjang jika kita termasuk kasus yang abnormal

dalam model, Anda mungkin berakhir dengan menciptakan sebuah model dengan mayoritas

pelanggan dalam satu segmen dan beberapa lainnya yang sangat kecil yang hanya berisi segmen

outliers tersebut. Cara terbaik untuk mengatasi adalah menghapus outliers sebelum analisis.

Anda dapat menghapus outliers didasarkan pada atribut individu untuk Misalnya, menghapus

0,5% pelanggan dengan pendapatan tertinggi atau terendah. Kamu dapat menghapus outliers

berdasarkan himpunan atribut. Dalam kasus ini, Anda dapat menggunakan algoritma

clustering. Banyak algoritma clustering, termasuk Microsoft Clustering, outliers kelompok

menjadi beberapa kelompok tertentu. Ada banyak data lain-pembersihan dan transformasi teknik,

dan ada banyak utilitas yang tersedia di pasar. SQL Server Integration Services (SSIS)

menyediakan satu set transformasi yang meliputi sebagian besar tugas-tugas yang tercantum di

sini.

12

Step 3: Model Building

Setelah data dibersihkan dan variabel telah di transformasikan, kita dapat mulai membangun

model. Sebelum membangun suatu model, kita perlu memahami tujuan proyek pertambangan

data dan jenis data tugas pertambangan. Apakah proyek ini klasifikasi tugas, tugas asosiasi atau

tugas segmentasi? Pada tahap ini, kita perlu untuk bekerjasama dengan analis bisnis dengan

domain pengetahuan. Misalnya jika kita menambang telekomunikasi data, kita harus

bekerjasama dengan orang-orang pemasaran yang memahami bisnis telekomunikasi.

Membangun Model adalah inti dari data mining, meskipun tidak memerlukan banyak waktu dan

sumber daya-intensif sebagai mana transformasi data. Sekali setelah memahami jenis pekerjaan

data mining, akan relatif mudah untuk memilih algoritma yang tepat. Untuk setiap pekerjaan data

mining, ada beberapa algoritma yang cocok. Dalam banyak kasus, Anda tidak akan tahu

algoritma mana yang paling cocok untuk data sebelum model pelatihan. Akurasi dari algoritma

tergantung pada sifat dari data seperti jumlah bagian dari atribut yang dapat diprediksi, distribusi

nilai setiap atribut, hubungan antara atribut, dan seterusnya. Sebagai contoh, jika hubungan di

antara semua masukan atribut dan atribut yang diprediksi linier, algoritma decision tree akan

menjadi pilihan yang sangat baik. Jika hubungan antara atribut lebih rumit, maka algoritma

jaringan saraf harus dipertimbangkan.Pendekatan yang benar adalah untuk membangun beberapa

model yang menggunakan algoritma yang berbeda dan kemudian membandingkan keakuratan

model ini menggunakan beberapa alat, seperti chart yang digambarkan pada langkah

berikutnya. Bahkan untuk algoritma yang sama, Anda mungkin perlu untuk membangun

13

berbagai model yang menggunakan pengaturan parameter yang berbeda dalam rangka

menyempurnakan akurasi model.

Step 4: Model Assessment

Dalam membangun sebuah model, kita membangun serangkaian model yang menggunakan

algoritma yang berbeda dan pengaturan parameter. Jadi apa model yang terbaik dalam hal

keakuratan? Bagaimana Anda mengevaluasi model ini? Ada beberapa tool yang terkenal untuk

mengevaluasi ualitas model. Yang paling terkenal adalah lift chart. menggunakan model yang

dilatih untuk memprediksi nilai-nilai pengujian Dataset. Berdasarkan perkiraan nilai dan

probabilitas, itu menampilkan model grafis dalam tabel.

Dalam tahap penilaian model, anda tidak hanya menggunakan alat-alat untuk

mengevaluasi akurasi model tetapi Anda juga perlu membicarakan arti dari pola yang ditemukan

dengan analis bisnis. Sebagai contoh, jika Anda membangun sebuah model asosiasi di dataset,

Anda mungkin menemukan aturan seperti Hubungan = Suami => Gender = Laki-laki dengan

100% confidence. Meskipun aturan ini berlaku, itu tidak mengandung nilai bisnis. Hal ini sangat

penting untuk bekerja dengan analis bisnis yang memiliki domain pengetahuan yang tepat untuk

memvalidasi penemuan.Kadang-kadang model tidak berisi pola berguna. Hal ini mungkin terjadi

karena beberapa alasan. Salah satunya adalah bahwa data benar-benar acak. Walaupun

mungkin memiliki data acak, dalam banyak kasus, dataset nyata memang mengandung informasi

yang kaya. Alasan kedua, yang lebih mungkin, adalah bahwa himpunan variabel dalam model

bukan yang terbaik untuk digunakan. Anda mungkin perlu mengulang data-pembersihan

dan langkah transformasi dalam rangka untuk memperoleh variabel yang lebih berarti. Data

14

mining adalah proses siklus; biasanya memerlukan beberapa iterasi untuk menemukan model

yang tepat.

Step 5: Reporting

Pelaporan adalah delivery channel yang penting untuk penemuan dalam data mining. Dalam

banyak organisasi, tujuan data mining adalah memberikan laporan kepada eksekutif

pemasaran. Kebanyakan alat data mining memiliki fitur pelaporan yang memungkinkan

pengguna untuk menghasilkan laporan standar dari mining model dengan output teks atau grafik.

Ada dua jenis laporan: laporan tentang temuan (pola) dan laporan tentang prediksi atau ramalan.

Step 6: Prediction (Scoring)

Dalam banyak proyek-data mining, menemukan pola hanya setengah dari pekerjaan. Tujuannya

final adalah untuk menggunakan model ini untuk prediksi. Prediksi ini juga disebut penilaian

(scoring) dalam terminology data mining. Untuk memberikan prediksi, kita perlu memiliki

model yang terlatih dan satu set kasus baru. Pertimbangkan skenario perbankan di mana Anda

telah membangun sebuah model tentang evaluasi risiko pinjaman. Setiap hari ada ribuan

pinjaman baru aplikasi. Anda dapat menggunakan model evaluasi risiko untuk memperkirakan

potensi risiko untuk masing-masing aplikasi pinjaman.

Step 7: Application Integration

Embedding data mining ke dalam aplikasi bisnis adalah tentang menerapkan kecerdasan ke

bisnis, yaitu menutup analisis menjadi siklus. Menurut Gartner Penelitian, dalam beberapa tahun

15

ke depan, semakin banyak aplikasi bisnis akan embed data mining komponen sebagai nilai

tambah. Sebagai contoh, aplikasi CRM mungkin memiliki fitur data mining kelompok pelanggan

menjadi beberapa segmen. ERP aplikasi mungkin memiliki fitur data mining untuk meramalkan

produksi. toko buku online pelanggan dapat memberikan real-time rekomendasi buku.

Mengintegrasikan fitur data mining, khususnya real-time komponen prediksi ke dalam aplikasi

merupakan salah satu langkah penting dalam proyek data mining. Ini langkah kunci untuk

membawa data mining ke dalam penggunaan massal.

Step 8: Model Management

Merupakan tantangan untuk mempertahankan status model data mining. Setiap model data

mining memiliki siklus. Dalam beberapa bisnis, pola yang relatif stabil dan model sering tidak

memerlukan pelatihan ulang. Tetapi dalam banyak pola bisnis sering bervariasi. Sebagai contoh,

di toko buku online, buku-buku baru muncul setiap hari. Ini berarti bahwa aturan asosiasi baru

muncul setiap hari. Durasi model data mining terbatas. Versi baru dari model sering harus

diciptakan. Akhirnya menentukan akurasi model dan menciptakan versi baru. Model harus

dicapai dengan menggunakan proses otomatis. Seperti setiap data, data mining model juga

memiliki masalah keamanan. Data mining Model mengandung pola. Banyak dari pola ini adalah

ringkasan dari data yang sensitif. Kita perlu untuk mempertahankan membaca, menulis, dan hak

prediksi untuk profil pengguna yang berbeda.Data mining Model harus diperlakukan sebagai

warga negara kelas pertama dalam database dimana administrator dapat menetapkan dan

mencabut hak akses pengguna model ini.

Berikut ini adalah beberapa bidang atau area dimana data mining dapat berperan:

• Menghasilkan rekomendasi

16

Seperti pada kasus amazon.com, data mining digunakan untuk menghasilkan

rekomendasi mengenai produk – produk kepada customer yang sedang membeli

barang.Data tersebut dihasilkan dari analisa terhadap perilaku pembelian customer -

customernya

• Pendeteksian anomaly

Data mining dapat diterapkan untuk mendeteksi adanya anomaly transaksi pada

perusahaan credit card, sehingga dapat mengurangi tingkat penyalahgunaan kartu kredit

dari customernya

• Manajemen resiko

Teknik data mining dapat membantu bank dalam membuat suatu keputusan apakah

permintaan kredit yang diajukan nasabah dapat diterima atau tidak.

• Segementasi customer

Dengan data mining kita dapat menganalisa mengenai perilaku dan profil dari customer

perusahaan, sehingga dapat dihasilkan kelompok – kelompok customer kita berdasarkan

profil tersebut, dimana pengelompokkan ini akan membantu marketing dalam

melancarkan strategi marketing yang tepat sesuai dengan kelompok – kelompok tersebut

2.3. Neural Network

Hecht-Nielsend (1988) mendefinisikan Artificial Neural Network (ANN), atau

diterjemahkan menjadi jaringan saraf tiruan, adalah suatu struktur pemroses informasi yang

terdistribusi dan bekerja secara paralel, yang terdiri atas elemen pemroses (yang memiliki

memori lokal dan beroperasi dengan informasi lokal) yang diinterkoneksi bersama dengan alur

sinyal searah yang disebut koneksi. Setiap elemen pemroses memiliki koneksi keluaran tunggal

yang bercabang (fan out) ke sejumlah koneksi kolateral yang diinginkan (setiap koneksi

17

membawa sinyal yang sama dari keluaran elemen pemroses tersebut). Keluaran dari elemen

pemroses tersebut dapat merupakan sebarang jenis persamaan matematis yang diinginkan.

Seluruh proses yang berlangsung pada setiap elemen pemroses harus benar-benar dilakukan

secara lokal, yaitu keluaran hanya bergantung pada nilai masukan pada saat itu yang diperoleh

melalui koneksi dan nilai yang tersimpan dalam memori lokal. Sebuah ANN adalah sebuah

prosesor yang terdistribusi paralel dan mempuyai kecenderungan untuk menyimpan pengetahuan

yang didapatkannya dari pengalaman dan membuatnya tetap tersedia untuk digunakan (Haykins,

1994).

Tidak ada dua otak manusia yang sama, setiap otak selalu berbeda. Beda dalam

ketajaman, ukuran, dan pengorganisasiannya. Salah satu cara untuk memahami bagaimana otak

bekerja adalah dengan mengumpulkan informasi dari sebanyak mungkin scan otak manusia dan

membuatnya menjadi suatu peta. Hal tersebut merupakan upaya untuk menemukan cara kerja

otak manusia. Peta otak manusia diharapkan dapat menjelaskan misteri mengenai bagaimana

otak mengendalikan setiap tindakan manusia, mulai dari penggunaan bahasa hingga gerakan.

Walaupun demikian kepastian cara kerja otak manusia masih merupakan suatu misteri. Berikut

adalah aspek-aspek yang hingga saat ini telah berhasil ditemukan dalam otak manusia.

a. Tiap bagian pada otak manusia memiliki alamat, dalam bentuk formula kimia, dan

sistem saraf manusia berusaha untuk mendapatkan alamat yang cocok untuk setiap

akson (saraf penghubung) yang dibentuk.

b. Melalui pembelajaran, pengalaman dan interaksi antara sistem maka struktur dari

otak itu sendiri akan mengatur fungsi-fungsi dari setiap bagiannya.

c. Axon-axon pada daerah yang berdekatan akan berkembang dan mempunyai bentuk

fisik mirip, sehingga terkelompok dengan arsitektur tertentu pada otak.

18

d. Axon berdasarkan arsitekturnya bertumbuh dalam urutan waktu, dan terhubung pada

struktur otak yang berkembang dengan urutan waktu yang sama.

e. Berdasarkan keempat aspek tersebut di atas dapat ditarik suatu kesimpulan bahwa

otak tidak seluruhnya terbentuk oleh proses genetis. Terdapat proses lain yang ikut

membentuk fungsi dari bagian-bagian otak, yang pada akhirnya menentukan

bagaimana suatu informasi diproses oleh otak.

Elemen yang paling mendasar dari jaringan saraf adalah sel saraf. Sel-sel saraf inilah

membentuk bagian kesadaran manusia yang meliputi beberapa kemampuan umum. Pada

dasarnya sel saraf biologi menerima input dari sumber yang lain dan mengkombinasikannya

dengan beberapa cara, melaksanakan suatu operasi yang non-linear untuk mendapatkan hasil dan

kemudian mengeluarkan outputnya.

Dalam tubuh manusia terdapat banyak variasi tipe dasar sel saraf, sehingga proses

berpikir manusia menjadi sulit untuk direplikasi secara elektrik. Sekalipun demikian, semua sel

saraf alami mempunyai empat komponen dasar yang sama. Keempat komponen dasar ini dikenal

berdasarkan nama biologinya yaitu dendrit, soma, akson, dan sinapsis.

Gambar 2.2. Saraf yang disederhanakan

19

Dendrit merupakan suatu perluasan dari soma yang menyerupai rambut dan bertindak sebagai

saluran input. Dendrit menerima rangsangan berupa sinyal elektrokimiawi dari sel saraf lainnya.

Soma dalam hal ini kemudian memproses input menjadi sebuah output berupa sinyal yang

kemudian dikirim ke sel saraf lainnya melalui akson lalu kemudian sinapsis. Konsep dasar

semacam inilah yang ingin dicoba para ahli dalam menciptakan ANN.

Penelitian terbaru memberikan bukti lebih lanjut bahwa sel saraf biologi mempunyai

struktur yang lebih kompleks dan lebih canggih daripada sel saraf buatan. Ilmu biologi

menyediakan suatu pemahaman yang lebih baik tentang sel saraf sehingga memberikan

keuntungan kepada para perancang jaringan untuk dapat terus meningkatkan sistem ANN yang

ada berdasarkan pada pemahaman terhadap otak biologi.

Implementasi Sel Saraf

Implementasi ANN dapat dilakukan dengan berbagai cara yang berbeda. Sebelum

melihat ANN sebagai satu kesatuan jaringan, konsep mengenai sel saraf buatan harus terlebih

dahulu dipahami. Langkah pertama yang harus dilakukan adalah memberikan definisi terhadap

sel saraf yang terdapat dalam suatu ANN. Definisi matematika yang paling umum untuk

menggambarkan hal ini dapat dilihat pada (2.1).

(2.1)

Dimana:

x = sel saraf yang dijadikan obyek perhitungan.

x0, x1, x2, ... xi = nilai sinyal yang diterima dari sel saraf input i.

w0, w1, w2, ... wi = nilai beban yang menyatakan besarnya pengaruh input i.

20

y(x) = output kepada sel saraf selanjutnya.

g(x) = fungsi aktivasi, menyatakan seberapa besar output yang dihasilkan.

Dalam sel saraf sebenarnya, fungsi aktivasi g seharusnya hanyalah suatu threshold sederhana

yang mengembalikan nilai 0 atau 1. Dalam implementasinya, fungsi aktivasi g bernilai antara 0

sampai 1 atau -1 sampai 1 tergantung pada fungsi aktivasi yang digunakan. Sedangkan nilai

input dan beban boleh saja berupa bilangan riil, walau pun seringkali digunakan nilai-nilai kecil

yang mendekati 0.

Gambar 2.3. Contoh sel saraf buatan

Berikut ini adalah beberapa jenis fungsi aktivasi yang dapat digunakan.

(2.2)

21

(2.3)

(2.4)

Dimana:

x = hasil yang didapatkan dari perhitungan total beban dikali sinyal dari seluruh input.

s = melambangkan tingkat kecuraman dari fungsi aktivasi.

t = nilai yang berfungsi mendorong titik tengah fungsi aktivasi menjauhi 0.

(2.2) adalah fungsi aktivasi dengan menggunakan threshold. Menghasilkan output berupa nilai 0

atau 1. (2.3) adalah fungsi aktivasi dengan menggunakan sigmoid. Menghasilkan output berupa

nilai antara 0 dan 1. (2.4) adalah fungsi aktivasi dengan menggunakan tangen hiperbola,

menghasilkan output berupa nilai antara -1 dan 1.

Gambar 2.4 Grafik fungsi sigmoid dengan s=0.5 dan t=0

22

Parameter t dapat dipandang sebagai nilai sinyal yang dibutuhkan untuk melakukan aktivasi

terhadap sel saraf. Parameter t dan beban merupakan parameter yang disesuaikan nilainya pada

saat pembelajaran.

Implementasi ANN

Jenis ANN yang paling dikenal adalah ANN multilayer feedforward. Sel-sel saraf

diurutkan berdasarkan pada layer-layer, diawali oleh layer input dan diakhiri dengan layer output

sedangkan di antaranya terdapat layer hidden. Hubungan dalam ANN jenis ini terjadi hanya satu

arah, dari layer input ke layer hidden pertama lalu ke layer hidden kedua dan seterusnya. Jenis

ANN ini bukan merupakan satu-satunya, namun jenis ANN ini adalah yang paling mudah untuk

dipelajari.

input layer hidden layer output layer

ANN Feedforward satu hidden layer

Gambar 2.5. ANN feedforward dengan satu layer hidden

23

Fase pada ANN feedfoforward terbagi atas dua, yaitu fase pembelajaran dan fase

eksekusi. Pada fase pembelajaran, ANN feedforward dilatih dengan menggunakan konsep

supervised learning, dimana nilai dari beban-beban yang terdapat pada setiap sel saraf

disesuaikan untuk dapat melakukan klasifikasi. Pada tahap klasifikasi, nilai input diberikan

kepada layer input untuk kemudian dipropagasikan ke layer output untuk mendapatkan hasil

akhirnya.

Seperti yang telah disebutkan sebelumnya bahwa parameter t dan beban akan mengalami

penyesuaian selama masa pembelajaran untuk memberikan hasil yang sesuai. Namun, untuk

menghitung parameter t tersebut akan dibutuhkan rumus tambahan yang mempersulit

perhitungan. Karenanya, untuk menyederhanakan perhitungan, hanyalah nilai beban yang

disesuaikan, sedangkan nilai t diganti dengan satu sel saraf yang disebut sebagai sel saraf bias

pada setiap layer. Sel saraf bias ini selalu memiliki nilai sinyal sebelum dikalikan dengan beban

sama dengan 1. (2.5) adalah rumus matematika sel saraf yang telah dimodifikasi setelah

ditambahkannya sel saraf bias.

(2.5)

Menambahkan sel saraf bias menyebabkan tidak diperlukannya lagi parameter t dalam fungsi

aktivasi. (2.6) adalah bentuk fungsi aktivasi sigmoid setelah parameter t dibuang.

(2.6)

24

input layer hidden layer output layer

biasbias

ANN Feedforward

Gambar 2.6. ANN Feedforward dengan menggunakan sel saraf bias

Pembelajaran ANN

Pada saat pembelajaran dilakukan terhadap suatu ANN, sekumpulan data yang telah lebih

dahulu diketahui jenis atau kelasnya diberikan sebagai input terhadap ANN tersebut. Kemudian,

beban-beban yang terdapat dalam ANN disesuaikan sedemikian rupa sehingga dapat

memberikan output yang sama seperti yang ada pada data pembelajaran. Di sisi lain, ANN

tersebut tetap harus dapat menangani data lain di luar data pembelajaran dengan benar. Apabila

ANN tesebut mampu menangani data pembelajaran dengan benar, namun gagal dalam

menangani data lainnya, maka dapat dikatakan bahwa ANN tersebut overfit.

25

Teknik pembelajaran ANN feedforward yang paling banyak dikenal adalah algoritma

back-propagation. Berikut adalah langkah-langkah yang terjadi dalam proses pembelajaran

menggunakan back-propagation.

1. Satu kelompok data dimasukkan sebagai input dari ANN.

2. Input tersebut dipropagasikan melewai ANN sehingga diperoleh output.

3. Output yang dihasilkan dihitung tingkat kesalahannya.

4. Apabila tingkat kesalahan masih terlalu tinggi, nilai dari tingkat kesalahan

dipropagasi balik untuk menyesuaikan beban-beban pada setiap sel saraf. Sebaliknya,

apabila tingkat kesalahan sudah cukup kecil, algoritma ini selesai sampai di sini

(langkah 5 tidak dilakukan).

5. Ulang lagi proses dengan menggunakan data yang sama dari langkah 1.

Dalam praktiknya, input dipropagasikan dengan menggunakan rumus (2.5) dan (2.6)

hingga akhirnya didapatkan output dari ANN. Kemudian, nilai kesalahan pada setiap sel saraf

dihitung dengan mengunakan rumus (2.7).

(2.7)

Dimana:

k = salah satu sel saraf yang terdapat pada layer output.

y = nilai output yang dihasilkan oleh sel saraf tersebut.

d = nilai output yang diharapkan.

e = nilai kesalahan dari output yang diberikan.

Nilai kesalahan tersebut kemudian digunakan untuk menghitung (2.8). Rumus ini hanya berlaku

pada layer output saja.

26

(2.8)

Dimana:

δ = sinyal kesalahan yang diperoleh.

Fungsi g’ merupakan turunan dari fungsi aktivasi yang digunakan sebelumnya. Dengan

menggunakan (2.9) sinyal kesalahan pada layer sebelumnya dapat dihitung.

(2.9)

Dimana:

K = jumlah sel saraf pada layer ini.

η = sebuah konstanta yang menyatakan jarak penyesuaian beban.

Kemudian, nilai penyesuaian beban dihitung dengan menggunakan rumus (2.10).

(2.10)

Dan beban disesuaikan dengan menggunakan rumus (2.11).

(2.11)

Kemudian, algoritma back-propagation akan mempropagasikan kembali input yang sama, dan

melihat apakah nilai kesalahan masih melebihi yang diharapkan. Proses ini akan terus berulang

hingga akhirnya nilai kesalahan sudah memuaskan kondisi tertentu.

Back-propagation memiliki kelemahan tersendiri. Salah satunya adalah batasan yang nilai

penyesuaian beban yang dapat dilakukan pada setiap iterasi, menyebabkan diperlukan proses

iterasi yang lebih banyak. Sudah ada beberapa teknik yang mampu memecahkan masalah ini.

Walau pun ANN feedforward dan back-propagation bukan jenis ANN yang terbaik, tapi

kombinasi ini merupakan sistem ANN yang paling mudah dipahami sehingga seringkali

27

digunakan sebagai contoh implementasi sistem ANN sebagai salah satu sistem pengenalan pola.

Hingga saat ini, sudah banyak teori-teori ANN yang lebih maju yang telah dikembangkan dan

memiliki performa yang dapat melebihi ANN baik dalam hal pembelajaran mau pun klasifikasi.

2.4. Decision Tree

Konsep dari decision tree adalah mengubah data menjadi decision tree yang akan menghasilkan

rule

Gambar 2.7. Decision tree

Dimana dalam penentuan node dari masing – masing atribut data di dalam decision tree

dilakukan dengan mengukur nilai entropy dari semua atribut data, dan yang dipilih adalah yang

memiliki nilai entropy yang paling kecil ,pengukuran dilakukan sampai dengan node yang paling

akhir

2.5. Data Mining Extensions to SQL (DMX)

DMX merupakan suatu query yang digunakan untuk membuat dan memanipulasi model – model

data mining pada SQL Server, Berikut ini adalah contoh – contoh sintak query DMX yang jika

dilihat secara sepintas mirip dengan query pada T-SQL.

Create Mining Structure

Syntax: CREATE [SESSION] MINING STRUCTURE <structure> ( [(<column definition list>)] ) [(<parameter list>)] Contoh penggunaan :

28

CREATE MINING STRUCTURE [New Mailing] ( CustomerKey LONG KEY, Gender TEXT DISCRETE, [Number Cars Owned] LONG DISCRETE, [Bike Buyer] LONG DISCRETE )

Atau

CREATE MINING STRUCTURE [People3] ( [CustID] LONG KEY, [Name] TEXT DISCRETE, [Gender] TEXT DISCRETE, [Age] LONG CONTINUOUS, [AgeDisc] LONG DISCRETIZED(EQUAL AREAS,3), [CarMake] TEXT DISCRETE, [CarModel] TEXT DISCRETE, [Purchases] TABLE ( [Product] TEXT KEY, [Quantity] LONG CONTINUOUS, [OnSale] BOOLEAN DISCRETE ) , [Movie Ratings] TABLE ( [Movie] TEXT KEY, [Rating] LONG CONTINUOUS ) )

Alter Mining Structure

Contoh penggunaan : ALTER MINING STRUCTURE [People3] ADD MINING MODEL [PredictPurchases-Trees] ( [CustID], [Gender], [Age], [Purchases] PREDICT ( [Product] ) ) USING Microsoft Decision Trees

Insert Into Mining Contoh penggunaan :

INSERT INTO MINING STRUCTURE [People1] ([CustID], [Name], [Gender], [Age], [CarMake],[CarModel]) OPENQUERY(Chapter3Data,

29

’SELECT [Key], Name, Gender, Age, CarMake, CarModel FROM People’)

Select Statement

Contoh penggunaan: // (a) Select all cases SELECT * FROM MINING STRUCTURE People3.CASES // (b) Select cases as a flat rowset SELECT FLATTENED * FROM MINING STRUCTURE People3.CASES // (c) Select only test cases SELECT * FROM MINING STRUCTURE People3.CASES WHERE IsTestCase()

2.6. Kredit Pengertian kredit menurut undang-undang No. 7 Tahun 1992 tentang Perbankan adalah :

penyediaan uang atau tagihan yang dapat dipersamakan dengan itu, berdasarkan persetujuan

kesepakatan pinjam meminjam antara bank dengan pihak lain yang mewajibkan pihak

meminjam untuk melunasi hutangnya setelah jangka waktu tertentu dengan jumlah bunga,

imbalan atau pembagian hasil keuntungan.

2.6.1. Manajemen Kredit Oleh dunia usaha (termasuk usaha kecil) perlu memperhatikan beberapa hal yaitu:

1. Jumlah Pengajuan Kredit harus sesuai dengan kebutuhan (jika jumlah kredit yang diminta

berlebihan akan terbebani bunga yang cukup besar)

2. Penggunaan kredit sesuai dengan tujuan pengembangan usaha

3. Kredit yang diterima ditatausahakan sebaik mungkin sehingga jadwal angsuran dan

pelunasan dapat terpenuhi.

30

2.6.2. Analisa Kredit

Tujuan utama analisis premohonan kredit adalah untuk memperoleh keyakinan apakah nasabah

mempunyai kemauan dan kemampuan memenuhi kewajibannya kepada bank secara tertib, baik

pembayaran pokok pinjaman maupun bunganya, sesuai dengan kesepakatan dengan bank.hal-hal

yang perlu diperhatikan dalam penyelesaian kredit nasabah, terlebih dahulu harus

terpenuhinya Prinsip 6 C’s Analysis, yaitu sebagai berikut:

1. Character

Character adalah keadaan watak dari nasabah, baik dalam kehidupan pribadi maupun dalam

lingkungan usaha. Kegunaan dari penilaian terhadap karakter ini adalah untuk mengetahui

sampai sejauh mana kemauan nasabah untuk memenuhi kewajibannya (willingness to pay)

sesuai dengan perjanjian yang telah ditetapkan.

Sebagai alat untuk memperoleh gambaran tentang karakter dari calon nasabah tersebut, dapat

ditempuh melalui upaya antara lain:

a. Meneliti riwayat hidup calon nasabah;

b. Meneliti reputasi calon nasabah tersebut di lingkungan usahanya;

c. Meminta bank to bank information (Sistem Informasi Debitur);

d. Mencari informasi kepada asosiasi-asosiasi usaha dimana calon nasabah berada;

e. Mencari informasi apakah calon nasabah suka berjudi;

f. Mencari informasi apakah calon nasabah memiliki hobi berfoya-foya.

2. Capital

Capital adalah jumlah dana/modal sendiri yang dimiliki oleh calon nasabah. Semakin besar

modal sendiri dalam perusahaan, tentu semakin tinggi kesungguhan calon nasabah dalam

31

menjalankan usahanya dan bank akan merasa lebih yakin dalam memberikan kredit. Modal

sendiri juga diperlukan bank sebagai alat kesungguhan dan tangung jawab nasabah dalam

menjalankan usahanya karena ikut menanngung resiko terhadap gagalnya usaha.dalam praktik,

kemampuan capital ini dimanifestasikan dalam bentuk kewajiban untuk menyediakan self-

financing, yang sebaiknya jumlahnya lebih besar daripada kredit yang dimintakan kepada bank.

3. Capacity

Capacity adalah kemampuan yang dimiliki calon nasabah dalam menjalankan usahanya guna

memperoleh laba yang diharapkan. Kegunaan dari penilaian ini adalah untuk mengetahui sampai

sejauh mana calon nasabah mampu untuk mengembalikan atau melunasi utang-utangnya secara

tepat waktu dari usaha yang diperolehnya.

Pengukuran capacity tersebut dapat dilakukan melalui berbagai pendekatan berikut ini:

a. Pendekatan historis, yaitu menilai past performance, apakah menunjukkan perkembangan

dari waktu ke waktu.

b. Pendekatan finansial, yaitu menilai latar belakang pendidikan para pengurus

c. Pendekatan yuridis, yaitu secara yuridis apakah calon nasabah mempunyai kapasitas untuk

mewakili badan usaha yang diwakilinya untuk mengadakan perjanjian kredit dengan bank.

d. Pendekatan manajerial, yaitu menilai sejauh mana kemampuan dan keterampilan nasabah

melaksanakan fungsi-fungsi manajemen dalam memimpin perusahaan.

e. Pendekatan teknis, yaitu untuk menilai sejauh mana kemampuan calon nasabah mengelola

faktor-faktor produksi seperti tenaga kerja, sumber bahan baku, peralatan-peralatan , administrasi

dan keuangan, industrial relation sampai pada kemampuan merebut pasar.

4. Collateral

32

Collateral adalah barang-barang yang diserahkan nasabah sebagai agunan terhadap kredit yang

diterimanya. Collateral tersebut harus dinilai oleh bank untuk mengetahui sejauh mana resiko

kewajiban finansial nasabah kepada bank. Pada hakikatnya bentuk collateral tidak hanya

berbentuk kebendaan tetapi juga collateral yang tidak berwujud seperti jaminan

pribadi (borgtocht), letter of guarantee, letter of comfort, rekomendasi dan avalis.

5. Condition of Economy

Condition of Economy, yaitu situasi dan kondisi politik , sosial, ekonomi , budaya yeng

mempengaruhi keadaan perekonomian pada suatu saat yang kemungkinannya memengaruhi

kelancaran perusahaan calon debitur. Untuk mendapat gambaran mengenai hal tersebut, perlu

diadakan penelitian mengenai hal-hal antara lain:

a. Keadaan konjungtur

b. Peraturan-peraturan pemerintah

c. Situasi, politik dan perekonomian dunia

d. Keadaan lain yang memengaruhi pemasaran

6. Constraint

Constraint adalah batasan dan hambatan yang tidak memungkinkan suatu bisnis untuk

dilaksankan pada tempat tertentu, misalnya pendirian suatu usaha pompa bensin yang

disekitarnya banyak bengkel las atau pembakaran batu bata.

Dari keenam prinsip diatas, yang paling perlu mendapatkan perhatian account officer adalah

character, dan apabila prinsip ini tidak terpenuhi, prinsip lainnya tidak berarti. Dengan perkataan

lain, permohonannya harus ditolak.

33

2.6.3. Kredit Bermasalah

Sumber-sumber penyebab terjadinya kegagalan pengembalian kredit oleh nasabah atau penyebab

terjadinya kredit bermasalah pada bank dapat dikemukakan sebagai berikut:

1. Self Dealing

Self dealing terjadi karena adanya interest tertentu dari pejabat pemberi kredit terhadap

permohonan yang diajukan nasabah, berupa pemberian kredit yang tidak layak atas dasar yang

kurang sehat terhadap nasabahnya dengan harapan mendapatkan kompensasi berupa pemberian

imbalan dari nasabah.

2. Anxiety for Income

Pendapatan yang diperoleh melalui kegiatan perkreditan merupakan sumber pendapatan utama

sebagian besar bank sehingga ambisi ataupun nafsu yang berlebihan untuk memperoleh laba

bank melalui penerimaan bunga kredit sering menimbulkan pertimbangan yang tidak sehat

dalam pemberian kredit.

3. Compromise of Credit Principles

Pelanggaran prinsip-prinsip kredit oleh pimpinan bank yang menyetujui pemberian kredit yang

mengandung risiko yang potensial menjadi kredit yang bermasalah.

4. Incomplete Credit Information

Terbatasnya informasi seperti data keuangan dan laporan usaha, disamping informasi lainnya

seperti penggunaan kredit, perencanaan, ataupun keterangan mengenai sumber pelunasan

kembali kredit.

34

5. Failure to Obtain or Enforce Liquidation Agreements

Sikap ragu-ragu dalam menentukan tindakan terhadap suatu kewajiban yang telah diperjanjikan,

meskipun nasabah mampu dan wajib membayarnya, juga merupakan penyebab timbulnya kredit-

kredit yang tidak sehat dan mengakibatkan kredit bermasalah bagi bank.

6. Complacency

Sikap memudahkan suatu masalah dalam proses kredit akan mengakibatkan terjadinya kegagalan

atas pelunasan kembali kredit yang diberikan

7. Lack of Supervising

Karena kurangnya pengawasan yang efektif dan berkesinambungan setelah pemberian kredit,

kondisi kredit berkembang menjadi kerugian karena nasabah tidak memenuhi kewajibannya

dengan baik.

8. Technical Incompetence

Tidak adanya kemampuan teknis dalam menganalisis permohonan kredit dari aspek keuangan

meupun aspek lainnya akan berakibat kegagalan dalam operasi perkreditan suatu bank. Para

pejabat kredit harus senantiasan meningkatkan pengetahuan dan kemampuan yang berkaitan

dengan tugasnya dan jangan memberikan kredit kepada usaha atau sektor yang tidak dikenal

dengan baik.

9. Poor Selection of Risks

Risiko tersebut dapat dijelaskan dibawah ini:

a. Pejabat kredit mampu mendeteksi kemampuan nasabah dalam membiayai usahanya,

selain yang diperoleh dari bank.

b. Pejabat kredit harus mampu menghitung berapa kebutuhan nasabah yang sesungguhnya.

35

c. Pejabat kredit harus mampu menghitung nilai taksasi jaminan yang mengcover kredit

yang diberikan

d. Pejabat kredit harus mampu memperhitungkan kemungkinan risiko yang dihadapi dengan

pemberian kredit dan mengetahui sumber pelunasan.

e. Pejabat kredit harus mampu mendeteksi risiko pemberian kredit yang mungkin secara

kemampuan cukup baik, tetapi dari sisi moral kurang menguntungkan bagi bank.

f. Pejabat kredit harus mampu mendeteksi kualitas jaminan yang akan menimbulkan

masalah di kemudian hari.

10. Overlending

Overlending adalah pemberian kredit yang besarnya melampaui batas kemampuanpelunasan

kredit oleh nasabah.

11. Competition

Competition merupakan risiko persaingan yang kurang sehat antar bank yang memperebutkan

nasabah yang berakibat pemberian kredit yang tidak sehat.

Kolektibilitas Kredit

Kualitas Aktiva Produktif dalam bentuk Kredit menurut PBI No. 8/19/PBI/2006 ditetapkan

dalam 4 (empat) golongan, yaitu Lancar, Kurang Lancar, Diragukan dan Macet. Penilaian

terhadap Aktiva Produktif sebagaimana dimaksud dilakukan berdasarkan ketepatan membayar

dan/atau kemampuan membayar kewajiban oleh Debitur.

Aktiva Produktif dalam bentuk Kredit diklasifikasikan menjadi 3 (tiga) jenis sebagai berikut:

36

a. Kredit dengan angsuran, diluar Kredit Pemilikan Rumah (KPR), dengan masa angsuran:

1) kurang dari 1 (satu) bulan, atau

2) 1 (satu) bulan atau lebih.

b. Kredit dengan angsuran, untuk Kredit Pemilikan Rumah; dan

c. Kredit tanpa angsuran. (DL)

Kualitas Kredit diluar KPR dengan masa angsuran kurang dari 1 (satu) bulan ditetapkan

sebagai berikut:

1. Lancar yaitu 0-1 bln dan tdk jth tempo

2. Kurang Lancar yaitu tunggakan > 1-3 bln dan/atau Jth tempo <= 1 bln.

3. Diragukan tunggakan > 3–6 bln dan/atau Jth tempo >1 - <= 2 bln

4. Macet yaitu tunggakan >6 bln dan/atau Jth tempo > 2 bln