fajri agustomi - universitas pelita bangsa

PREDIKSI KELAYAKAN KREDIT KENDARAAN

BERMOTOR RODA DUA DENGAN ALGORITMA

C4.5

SKRIPSI

Oleh:

FAJRI AGUSTOMI

311410092

TEKNIK INFORMATIKA

SEKOLAH TINGGI TEKNOLOGI PELITA BANGSA

BEKASI

2018

PREDIKSI KELAYAKAN KREDIT KENDARAAN

BERMOTOR RODA DUA DENGAN ALGORITMA

C4.5

SKRIPSI

Diajukan Sebagai Salah Satu Syarat Untuk Menyelesaikan

Program Strata Satu (S1) pada Program Studi Teknik Informatika

Oleh:

FAJRI AGUSTOMI

311410092

TEKNIK INFORMATIKA

SEKOLAH TINGGI TEKNOLOGI PELITA BANGSA

BEKASI

2018

PERSETlJJUAN

SKRIPSI

PREDIKSI KELA Y AKAN KREDIT KENDARAAN BERMOTOR RODA

DUA DENGAN ALGORTTMA C4.5

Yang disusun oleh

FAJRI AGUSTOMI

311410092

Telah disetujui oleh Dosen Pembimbing Skripsi

Pada tanggal J~.:~ .. !l! .. --: .. 1..0( g

Dosen Pembimbing 1

Muhammad Makmun Effendi, S.Kom,M.Kom

NIDN: 0430087804

Mengetahui

Dosen Pembimbing 2

Rosi ' in, M.Pd

NIDN: 0414067303

Kaprodi T ·k Informatika

NIDN: 0426018083

PE~GESAHAN

SKRIPSI

PREDIKSI KELAYAKAN KREDIT KENDARAAN BERMOTOR RODA

DUA DENGAN ALGORITMA C4.5

Nama Penguji

Yang disusun oleh

FAJRI AGUSTOMI

311410092

Telah dipertahankan di depan Dewan Penguji

Pada tanggal 20 Oktober 20 18

Susunan Dewan Penguji

Tanda Tangan

Nama dan gelar penguji 1 Drs. Muh!d~in D .. M.Kom NIDN: 0401056703

Nama dan gelar penguji 2

Meogetahui

v {}J('-_Of\11_ .

Andrianr,::s.;, M.T NIDN: 0403049102

Teknik Informatika

Ketua STT Pelita Bangsa

NIDN: 0401066605

.. II

..

PER!'JYATAAN KEASLIAN PENELITIAN

Saya yang bertanda tangan dibawah ini menyatakan bahwa, skripsi ini

merupakan karya saya sendiri (ASLJ), dan isi dalam skripsi ini tidak terdapat

karya yang pemah diajukan oleh orang lain untuk memperoleh gelar akademis di

suatu institusi pendidikan tinggi manapun, dan sepanjang pengetahuan saya juga

tidak terdapat karya atau pendapat yang pemah ditulis dan/atau diterbitkan oleh

orang lain, kecuali yang secara tertulis diacu dalam naskah ini dan disebutkan

dalam daftar pustaka.

Segala sesuatu yang terkait dengan naskah dan karya yang telah dibuat

adalah menjadi tanggungjawab saya pribadi.

Bekasi, /':1..~..1.<? .. ~.~-?18

.... <:,;,,~zt OAFF3355599

~

00 ,._, _ BURUPIAH

F AJRI AGUSTOMI

311410092

Ill

iv

KATA PENGANTAR

Puji syukur penulis panjatkan kehadiran Allah SWT. yang telah

melimpahkan segala rahmat dan hidayah-Nya, sehingga tersusunlah Skripsi yang

berjudul “PREDIKSI KELAYAKAN KREDIT KENDARAAN BERMOTOR

RODA DUA DENGAN ALGORITMA C4.5”.

Skripsi tersusun dalam rangka melengkapi salah satu persyaratan dalam

rangka menempuh ujian akhir untuk memperoleh gelar Sarjana Komputer

(S.Kom.) pada Program Studi Teknik Informatika di Sekolah Tinggi Teknologi

Pelita Bangsa.

Penulis sungguh sangat menyadari, bahwa penulisan Skripsi ini tidak akan

terwujud tanpa adanya dukungan dan bantuan dari berbagai pihak. Sudah

selayaknya, dalam kesempatan ini penulis menghaturkan penghargaan dan ucapan

terimakasih yang sebesar-besarnya kepada:

a. Bapak Dr. Ir. Supriyanto, M.P selaku Ketua STT Pelita Bangsa

b. Bapak Aswan Sunge, S.Kom, M.Kom selaku Ketua Program Studi Teknik

Informatika STT Pelita Bangsa.

c. Bapak Muhammad Makmun Effendi, S.Kom M.Kom selaku Pembimbing

Utama yang telah banyak memberikan arahan dan bimbingan kepada penulis

dalam penyusunan Skripsi ini.

d. Seluruh Dosen STT Pelita Bangsa yang telah membekali penulis dengan

wawasan dan ilmu di bidang teknik informatika.

e. Seluruh staf STT Pelita Bangsa yang telah memberikan pelayanan terbaiknya

kepada penulis selama perjalanan studi jenjang Strata 1.

f. Rekan-rekan mahasiswa STT Pelita Bangsa, khususnya angkatan 2014, yang

telah banyak memberikan inspirasi dan semangat kepada penulis untuk dapat

menyelesaikan studi jenjang Strata 1.

g. Ibu dan Ayah tercinta yang senantiasa mendo’akan dan memberikan semangat

dalam perjalanan studi Strata 1 maupun dalam kehidupan penulis.

Akhir kata, penulis mohon maaf atas kekeliruan dan kesalahan yang

terdapat dalam Skripsi ini dan berharap semoga Skripsi ini dapat memberikan

manfaat bagi khasanah pengetahuan Teknologi Informasi di lingkungan STT

Pelita Ban gsa khususnya dan Indonesia pada umumnya.

Bekasi, .!~.:~ .. ~~ .. ~.?.-.0 1 Q

FAJRI AGUSTOMI

v

vi

DAFTAR ISI

PERSETUJUAN .................................................................................................. i

PENGESAHAN .................................................................................................. ii

PERNYATAAN KEASLAN PENELITIAN ..................................................... iii

KATA PENGANTAR ....................................................................................... iv

DAFTAR ISI ...................................................................................................... vi

DAFTAR TABEL ............................................................................................... x

DAFTAR GAMBAR ......................................................................................... xi

ABSTRACT ..................................................................................................... xiii

ABSTAKSI ...................................................................................................... xiv

BAB I PENDAHULUAN ................................................................................... 1

1.1 Latar Belakang .............................................................................................. 1

1.2 Identifikasi Masalah ...................................................................................... 2

1.3 Rumusan Masalah ......................................................................................... 3

1.4 Batasan Masalah............................................................................................ 3

1.5 Tujuan dan Manfaat ...................................................................................... 3

1.5.1 Tujuan .................................................................................................. 3

1.5.2 Manfaat ................................................................................................ 4

1.6 Metode Penelitian.......................................................................................... 5

vii

1.7 Sistematika Penulisan ................................................................................... 6

BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI ........................... 7

2.1 Penelitian Terkait .......................................................................................... 7

2.2 Landasan Teori .............................................................................................. 9

2.2.1 Kredit ....................................................................................................... 9

2.2.2 Unsur-Unsur Kredit ................................................................................ 10

2.2.3 Data Mining ........................................................................................... 11

2.2.3.1 Pengelompokan Data Mining ............................................................. 12

2.2.3.2 Tahapan Data Mining ......................................................................... 14

2.2.4 Decision Tree ........................................................................................... 16

2.2.5 Algoritma C4.5 ......................................................................................... 18

2.2.6 Information Gain ...................................................................................... 22

2.2.7 RapidMiner .............................................................................................. 23

2.2.7.1 Keunggulan RapidMiner .................................................................... 24

2.2.7.2 Kelemahan RapidMiner ..................................................................... 25

2.2.8 Kuesioner ................................................................................................. 25

2.3 Kerangka Pemikiran .................................................................................... 26

BAB III METODE PENELITIAN.................................................................... 27

3.1 Objek Penelitian .......................................................................................... 27

3.1.1 Sejarah Perusahaan................................................................................ 27

3.1.2 Visi dan Misi ......................................................................................... 27

3.1.3 Struktur Organisasi ............................................................................... 28

viii

3.2 Instrumen Penelitian.................................................................................... 29

3.2.1 Bahan .................................................................................................... 29

3.2.2 Peralatan ................................................................................................ 29

3.3 Metode Pengumpulan Data, Populasi dan Sampel Penelitian .................... 32

3.3.1 Metode Pengumpulan Data ................................................................... 32

3.3.2 Populasi ................................................................................................. 33

3.3.3 Sampel Penelitian .................................................................................. 34

3.4 Tahapan Penelitian ...................................................................................... 34

3.5 Teknik Analisa Data .................................................................................... 36

3.6 Metode Analisa Data ................................................................................... 38

3.7 Pengolahan Awal Data ................................................................................ 40

3.7.1 Splid Validation .................................................................................... 41

3.7.2 Cross Validation .................................................................................... 41

3.7.3 Apply Model ......................................................................................... 42

3.7.4 Performance .......................................................................................... 42

3.8 Pemodelan ................................................................................................... 43

BAB IV HASIL DAN PEMBAHASAN .......................................................... 44

4.1 Kriteria Pelanggan ...................................................................................... 44

4.2 Perhitungan Algoritma C4.5 ...................................................................... 45

4.2.1 Menghitung Probabilitas Kelas ............................................................. 45

4.2.2 Menghitung Probabilitas Masing-Masing Atribut ................................ 46

4.2.3 Menghitung Probabilitas Akhir Untuk Setiap Kelas ............................. 48

ix

4.3 Hasil ........................................................................................................... 49

4.3.1 Evaluasi dan Validasi Hasil Algoritma C4.5 ........................................ 49

4.4 Pembahasan ................................................................................................ 58

4.4.1 Tahapan Proses RapidMiner ................................................................. 58

BAB V PENUTUP ............................................................................................ 78

5.1 Kesimpulan ................................................................................................ 78

5.2 Saran ........................................................................................................... 79

DAFTAR PUSTAKA ....................................................................................... 80

DAFTAR RIWAYAT HIDUP .......................................................................... 81

LEMBAR KONSULTASI BIMBINGAN SKRIPSI ........................................ 82

LAMPIRAN ...................................................................................................... 84

x

DAFTAR TABEL

Tabel 2.1 Tabel Ringkasan Penelitian ................................................................. 8

Tabel 2.2 Algoritma membuat Keputusan ........................................................ 19

Tabel 3.1 Kuesioner .......................................................................................... 30

Tabel 3.2 Atribut Yang Di Gunakan ................................................................. 40

Tabel 4.1 Probalitas Kelas................................................................................. 46

Tabel 4.2 Atribut Karakter ................................................................................ 46

Tabel 4.3 Atribut Pendidikan ............................................................................ 47

Tabel 4.4 Atribut Pekerjaan .............................................................................. 47

Tabel 4.5 Atribut Tanggungan .......................................................................... 47

Tabel 4.6 Atribut Rumah................................................................................... 48

Tabel 4.7 Atribut Pendapatan ............................................................................ 48

Tabel 4.8 Data Keseluruhan .............................................................................. 49

Tabel 4.9 Data Keseluruhan (Lanjutan) ............................................................ 50

Tabel 4.10 Data Keseluruhan (Lanjutan) .......................................................... 51





Tabel 4.15 Data Testing .................................................................................... 56

Tabel 4.16 Data Testing (Lanjutan) .................................................................. 57

xi

DAFTAR GAMBAR

Gambar 2.1 Tahapan Data Mining .................................................................... 14

Gambar 2.2 Decisien Tree................................................................................. 17

Gambar 2.3 Kerangka Pemikiran ...................................................................... 26

Gambar 3.1 Struktur Organisasi NSC Finance ................................................. 28

Gambar 3.2 Bagan Kerangka Pemikiran ........................................................... 35

Gambar 3.3 Teknik Analisa Data ...................................................................... 37

Gambar 4.1 Tampilan RapidMiner Saat Loading Pembukaan ......................... 58

Gambar 4.2 Tampilan Menu Awal Sebelum Proses ......................................... 59

Gambar 4.3 Tampilan Utama Proses Baru ........................................................ 60

Gambar 4.4 Tampilan Main Proses Read Excel ............................................... 61

Gambar 4.5 Pemilihan Data Yang Akan Di Proses .......................................... 61

Gambar 4.6 Pemilihan Data Training ............................................................... 62

Gambar 4.7 Atribut Label ................................................................................. 62

Gambar 4.8 Tampilan Model Training ............................................................. 63

Gambar 4.9 Nilai Performance Accuracy ......................................................... 64

Gambar 4.10 Nilai Description Accuracy ......................................................... 64

Gambar 4.11 Nilai Performance AUC (Optimistic) ......................................... 66

Gambar 4.12 Nilai Description AUC (Optimistic) ........................................... 67

Gambar 4.13 Nilai Performance AUC .............................................................. 68

Gambar 4.14 Nilai Description AUC ................................................................ 69

Gambar 4.15 Nilai Performance Precision........................................................ 70

Gambar 4.16 Nilai Description Precision ......................................................... 71

Gambar 4.17 Nilai Performance Recall ............................................................ 72

Gambar 4.18 Nilai Description Recall .............................................................. 72

xii

Gambar 4.19 Decision Tree .............................................................................. 73

Gambar 4.20 Nilai Description Decision Tree .................................................. 74

Gambar 4.21 Grafik Hasil Keseluruhan ............................................................ 76

Gambar 4.22 Grafik Hasil Layak dan Tidak Layak .......................................... 77

xiii

ABSTRACT

Determining the feasibility of motorbike credit in a leasing company is

very important, given that if there is a decision-making error it will affect the

company's loss which in this case is NSC finance. Therefore, the authors predict

motor credit feasibility with the C4.5 Algorithm method to determine whether or

not a motorbike loan is feasible. The author uses the Rapidminner version 9.0

supporting application to test the accuracy of the system made. Tests are carried

out with as much as 200 training data and data testing as many as 40 randomly

selected data. The testing data will be analyzed using the Rapidminner version 9.0

supporting application. the results of testing the prediction accuracy of

determining motor credit feasibility with the C4.5 Algorithm method are quite

high, namely 85.83%.

Keyworad: Prediction, Algorithm C4.5, Creditworthiness

xiv

ABSTRAK

Penentuan kelayakan kredit motor pada sebuah perusahaan leasing adalah

hal yang sangat penting, mengingat jika terjadi kesalahan pengambilan keputusan

maka akan berdampak kerugian perusahaan yang pada kasus ini adalah NSC

finance. Oleh karena itu penulis memprediksi kelayakan kredit motor dengan

metode Algoritma C4.5 untuk menentukan layak tidaknya sebuah pengajuan

kredit motor. Penulis menggunakan aplikasi pendukung Rapidminner versi 9.0

untuk pengujian akurasi sistem yang dibuat. Pengujian dilakukan dengan Data

training sebanyak 200 data dan Data testing sebanyak 40 data yang dipilih secara

random. Data testing tersebut akan dianalisa menggunakan aplikasi pendukung

Rapidminner versi 9.0. hasil pengujian akurasi prediksi penentuan kelayakan

kredit motor dengan metode Algoritma C4.5 cukup tinggi yaitu 85.83%.

Kata kunci : Prediksi, Algoritma C4.5, Kelayakan Kredit

1

BAB I

PENDAHULUAN

1.1 Latar Belakang Masalah

Minat masyarakat pada kepemilikan kendaraan bermotor masih terbilang

tinggi dan cukup banyak yang menggunakan jasa kredit dalam pembeliannya.

Perusahaan Leasing adalah badan usaha diluar Bank dan Lembaga Keuangan

Bukan Bank yang khusus didirikan untuk melakukan kegiatan usaha. Penulis

membahas kegiatan usaha perusahaan Leasing di bidang pembiayaan konsumen,

yaitu pembiayaan kredit motor bagi konsumen yang tertera sesuai Peraturan

Presiden Republik Indonesia Nomor 9 Tahun 2009 tentang Lembaga Pembiayaan

Konsumen (Consumer Finance) adalah kegiatan pembiayaan untuk pengadaan

barang berdasarkan kebutuhan konsumen dengan pembayaran secara angsuran.

NSC Finance Cabang Bekasi adalah salah satu perusahaan yang bergerak

dalam bidang pembiayaan kredit motor dengan mengadopsi konsep adanya

piutang cicilan yang merupakan piutang yang timbul dari penjualan cicilan dan

hal ini dibuktikan dengan adanya surat perjanjian sewa beli. Dengan jelas

dinyatakan dalam kontrak perjanjian ini di mana pihak pembeli atau debitur

mengikatkan diri dengan perusahaan untuk melunasi hutangnya secara cicil.

Jangka waktu pelunasan biasanya selama 12 bulan, 24 bulan dan 36 bulan.

2

Dalam upaya membantu menganalisis pengambilan keputusan konsumen

layak kredit, diperlukan model sistem pendukung keputusan yang sudah

terkomputerisasi dan dapat memberikan kemudahan dalam menganalisis data

dalam jumlah besar. Salah satu metode algoritma untuk memprediksi kelayakan

kredit motor adalah menggunakan Algoritma C4.5.

Algoritma C4.5 merupakan Algoritma yang digunakan untuk membentuk

pohon keputusan atau Decision Tree. Kelebihan menggunakan Algoritma C4.5

atau Decision Tree ini adalah hasil pohon ke putusannya sederhana dan mudah

dimengerti. Proses learning dan klasifikasi pada algoritma Decision Tree

sederhana dan cepat. Secara umum model Algoritma klasifikasi Decision Tree

mempunyai tingkat akurasi yang tinggi.

Menimbang dari latar belakang masalah diatas maka penulis mengambil

penelitian skripsi dengan judul “PREDIKSI KELAYAKAN KREDIT

KENDARAAN BERMOTOR RODA DUA DENGAN ALGORITMA C4.5”.

1.2 Identifikasi Masalah

Melihat dari latar belakang masalah yang penulis kemukakan diatas, maka

dapat diidentifikasikan masalah sebagai berikut.

1. Tingginya pengajuan kredit tidak sebanding dengan jumlah karyawan

yang ada. Risiko kredit macet yang tinggi, karena penentuan kelayakan

kredit didasar dari penilaian karyawan semata.

2. Penilaian kelayakan kredit masih manual, dengan cara menganalisa data

pemohon tanpa mempertimbangkan data masa lalu.

3

1.3 Rumusan Masalah

Berdasarkan latar belakang dan identifikasi masalah, maka bagaimana

memprediksi kelayakan kredit kendaraan bermotor roda dua dengan Algoritma

C4.5 ?

1.4 Batasan Masalah

Dalam pembahasan ini hanya membatasi bagaimana memprediksi

kelayakan kredit kendaraan bermotor roda dua dengan Algoritma C4.5.

1.5 Tujuan dan Manfaat

1.5.1 Tujuan

Berdasarkan permasalahan yang diteliti, maka tujuan dari

penulisan skripsi ini adalah:

1. Memprediksi kelayakan kredit motor yang dapat membantu kinerja

manajemen dalam pengambilan keputusan terkait kelayakan kredit motor.

2. Menggunakan sebuah perhitungan yang tepat dan efektif untuk

menganalisa setiap data pengajuan kredit yang datang, sesuai dengan

kriteria yang sudah ditentukan pihak perusahaan juga mempertimbangkan

data masa lalu.

3. Membantu mencegah NSC finance cabang bekasi salah dalam menentukan

kelayakan kredit motor yang berujung pada kerugian keuangan.

4

1.5.2 Manfaat

Hasil dari penulisan ini diharapkan dapat memberikan manfaat

kepada semua pihak khususnya mahasiswa dan untuk menambah

pengetahuan serta wawasan.

1. Manfaat bagi perusahaan

a. Diharapkan dapat membantu mempermudah NSC finance cabang

Bekasi dalam menentukan kelayakan kredit motor.

b. Mencegah NSC finance cabang Bekasi salah dalam menentukan

kelayakan kredit motor yang berujung pada kerugian keuangan.

2. Manfaat bagi penulis

a. Diharapkan dapat memberikan manfaat dan menambah ilmu dalam

bidang teknik informatika khususnya prediksi menggunakan

Algoritma C4.5.

b. Mendapat wawasan dalam pengetahuan tentang prediksi kelayakan

kredit sepeda motor menggunakan Algoritma C4.5.

3. Manfaat bagi Prodi Teknik Informatika STT Pelita Bangsa

a. Mendorong terwujudnya budaya penelitian kajian keilmuan.

b. Meningkatkan konsep, dan teknologi baru dalam menunjukan

peningkatan kualitas pendidikan nasional.

c. Memberikan referensi untuk penelitian lebih lanjut dalam

penelitian sistem informasi.

5

1.6 Metode Penelitian

Dalam proses skripsi ini penulis menggunakan beberapa metode

pengumpulan data.

1. Observasi

penulis melakukan penelitian yang bertujuan untuk memperoleh data

secara langsung berupa dokumen pendukung serta tinjauan lapangan dari

NSC finance cabang Bekasi yang berhubungan dengan pemberian

pinjaman kredit motor.

2. Wawancara

penulis melakukan suatu metode yaitu tanya jawab dengan Bapak M. Aan

selaku Account Officer NSC Finance cabang Bekasi salah satu yang

memiliki wewenang untuk menentukan kelayakan kredit motor.

3. Studi Pustaka

Pada tahap ini dilakukan dengan mempelajari buku-buku referensi atau

sumber-sumber yang berkaitan dengan topik pembahasan skripsi baik dari

text book maupun internet.

4. Kuesioner

penulis menyusun sebuah daftar pertanyaan yang berhubungan dengan

kelayakan kredit motor dan akan diisi oleh bagian Account Officer dan

Marketing Credit di NSC Finance Bekasi.

6

1.7 Sistematika Penulisan

Sistematika penulisan dibuat untuk mempermudah dalam penyusunan

skripsi yang memuat uraian secara garis besar isi skripsi adalah :

BAB I PENDAHULUAN

Bab pendahuluan mendeskripsikan mengenai latar belakang masalah,

tujuan, manfaat, dan sistematika penulisan.

BAB II TINJAUAN PUSTAKA

Bab tinjauan pustaka ini berisikan tentang landasan teori yang digunakan

sebagai bahan dasar referensi dalam proses penelitian.

BAB III METODE PENILITIAN

Bab metode penelitian ini berisikan tentang penjelasan dari metode

penelitian yang digunakan sebagai solusi penyelesaian masalah yang diangkat

dalam penelitian ini.

BAB IV HASIL DAN PEMBAHASAN

Memaparkan dari hasil-hasil tahapan penelitian, mulai dari analisis, hasil

testing, dan implementasinya.

BAB V PENUTUP

Berisi kesimpulan dan saran dari seluruh penelitian yang telah dilakukan.

7

7

BAB II

TINJAUAN PUSTAKA DAN LANDASAN TEORI

2.1 Penelitian Terkait

Sebelum memulai penelitian ini, penulis terlebih dahulu melakukan studi

kepustakaan dari penelitian-penelitian dan sumber-sumber lain. Dari studi

kepustakaan itu penulis menemukan beberpa penelitian yang mendorong penulis

untuk mengangkat tema seperti diatas. Penelitian tersebut yaitu :

1. Sistem Pendukung Keputusan Kelayakan Kredit Motor Menggunakan

Metode Naive Bayes Pada NSC Finance Cikampek, yang ditulis oleh

Qonita Tanjung penelitian ini menggunakan Naive bayes. Dari pengujian

yang dilakukan dengan membandingkan hasil analisa sistem dengan

aplikasi pendukung Rapidminer didapat tingkat akurasi sebesar 99% dan

eror sebesar 1 %.

2. Komparasi penerapan Algoritma C4.5 KNN dan Neural Network dalam

proses kelayakan penerimaan kredit kendaraan bermotor, yang ditulis oleh

Puji Astuti. Pengujian yang telah dihitung tingkat akurasinya dengan

memasukan data uji yang berasal dari data training. Data dalam penelitian

ini 486 data maka digunakan metode cross validation untuk menguji

tingkat akurasi. Untuk nilai akurasi model untuk metode C4.5 sebesar

92.8%, metode K-NN sebesar 77.78%, dan metode neural network sebesar

91.1%.

8

Tabel 2.1 Tabel Ringkasan Penelitian

NO Nama

Peneliti

Tahun Judul Metode Hasil

1. Qonita

Tanjung

2017 Sistem

pendukung

keputusan

kelayakan

kredit motor

Menggunak

an Metode

Naive

Bayes Pada

NSC

Finance

Cikampek,

Menggu

nakan

metode

Naive

Bayes

Dari pengujian

yang dilakukan

dengan

membandingkan

hasil analisa

sistem dengan

aplikasi

pendukung

Rapidminer

didapat tingkat

akurasi sebesar

99% dan eror

sebesar 1 %.

2. Puji

Astuti

2016 Komparasi

penerapan

Algoritma

C4.5 KNN

dan Neural

Network

dalam

Menggu

nakan

Algoritm

a C4.5

KNN

dan

Neural

Data dalam

penelitian ini 486

data maka

digunakan metode

cross validation

untuk menguji

tingkat akurasi.

9

proses

kelayakan

penerimaan

kredit

kendaraan

bermotor

Network Untuk nilai

akurasi model

untuk metode

C4.5 sebesar

92.8%, metode K-

NN sebesar

77.78%, dan

metode Neural

Network sebesar

91.1%.

2.2 Landasan Teori

Dalam Landasan Teori Peneliti meninjau dari beberapa sumber buku dan

jurnal untuk menjelaskan berbagai hal yang berhubungan dengan topik yang

terkait :

2.2.1 Kredit

Istilah kredit berasal dari bahasa Yunani “Credere” yang berarti

kepercayaan, atau “Credo” yang berarti saya percaya, karena itu dasar dari kata

kredit adalah kepercayaan bahwa seseorang atau penerima kredit akan memenuhi

segala sesuatu yang telah diperjanjikan terlebih dahulu pada masa yang akan

datang.

10

Sedangkan pengertian kredit dalam arti ekonomi menurut supriyono

(2014:4) adalah, “suatu penundaan pembayaran, yaitu uang atau barang (prestasi)

yang diterima sekarang akan dikembalikan pada masa yang akan datang berikut

tambahan suatu kontra prestasi”.

Menurut undang-undang pokok pe rbankan No.14 tahun 1967, kr edit

didefinisikan sebagai berikut:

Penyediaan uang atau tagihan-tagihan yang dapat disamakan, dengan itu

berdasarkan persetujuan pinjam-meminjam antara bank dengan pihak lain.

Berdasarkan definisi kredit, maka pihak meminjam berkewajiban

melunasi hutangnya setelah jangka waktu tertentu dengan jumlah bunga

yang telah ditentukan.

Secara singkat kredit berarti suatu pemberian prestasi oleh suatu pihak ke

pihak lain dan prestasi itu akan dikembalikan lagi pada suatu masa tertentu yang

akan datang disertai dengan suatu kontra prestasi berupa bunga.

2.2.2 Unsur-Unsur Kredit

Pada dasarnya pemberian kredit didasarkan atas kepercayaan, yang berarti

bahwa pemberian kepercayaan oleh bank sebagai pemberi kredit, dimana prestasi

yang diberikan benar-benar sudah diyakini akan dapat dibayar kembali dengan

penerima kredit sesuai dengan syarat-syarat yang telah disetujui bersama.

Berdasarkan hal tersebut dapat ditarik kesimpulan bahwa unsur-unsur yang

terdapat pemberian kredit, menurut supriyono (2014:4) adalah:

11

1. Kepercayaan, yaitu keyakinan si pemberi kredit bahwa prestasi (uang)

yang diberikan akan benar-benar kembali dari si penerima kredit pada

suatu masa yang akan datang.

2. Waktu, yaitu jangka waktu antara saat pemberian prestasi dengan saat

pengembaliannya. Dalam unsur waktu ini terkandung pengertian tentang

nilai agio yaitu nilai uang sekarang lebih berharga daripada nilai uang

dimasa yang akan datang, sehingga dalam hal ini perlu adanya kontra

prestasi yang harus berupa uang.

3. Risiko, yaitu risiko yang dapat timbul pada saat pemberian kredit. Untuk

menghindari risiko, maka sebelum kredit diberikan harus dilakukan

penilaian secara cermat dan dilindungi oleh agunan atau jaminan kredit

sebagai benteng terakhir dalam pengaman kredit. Penilaian didasarkan atas

bonafiditas calon penerima kredit sehingga dapat di tentukan sampai

sejauh mana calon penerima kredit dapat dipercaya oleh bank.

4. Prestasi, dalam hubungannya dengan pemberian kredit yang dimaksud

prestasi adalah uang.

2.2.3 Data Mining

Data mining adalah proses mencari pola atau informasi menarik dalam

data terpilih dengan menggunakan teknik atau metode tertentu. Data mining

merupakan proses analisa data untuk menemukan suatu pola dari kumpulan data

tersebut (Shella, 2015).

12

2.2.3.1 Pengelompokan Data Mining

Menurut Larose dalam bukunya yang berjudul “Discovering Knowledge in

Data:An Introduction to Data Mining”, data mining dibagi menjadi beberapa

kelompok berdasarkan tugas/pekerjaan yang dapat dilakukan, yaitu (Kasus, Pt,

Gunadi, & Sensuse, 2013) :

1. Deskripsi

Terkadang peneliti dan analisis secara sederhana ingin mencoba

mencari cara untuk menggambarkan pola dan kecenderungan sering

memberikan kemungkinan penjelasan untuk suatu pola atau

kecendurungan.

2. Estimasi

Estimasi hampir sama dengan klasifikasi, kecuali variabel target

estimasi lebih ke arah numerik dari pada kearah ketegori. Model dibangun

menggunakan baris data (record) lengkap yang menyediakan nilai dari

variabel target sebagai nilai prediksi. Selanjutnya, pada peninjauan

berikutnya estimasi nilai dari variabel target dibuat berdasarkan nilai

variabel prediksi.

3. Prediksi

Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali

bahwa dalam prediksi nilai dari hasil akan ada dimasa mendatang.

Beberapa metode dan teknik yang digunakan dalam klasifikasi dan

estimasi dapat pula digunakan (untuk keadaan yang tepat) untuk prediksi.

Contoh prediksi dalam bisnis dan penelitian adalah:

13

a. Prediksi harga beras dalam tiga bulan yang akan datang.

b. Prediksi presentase kenaikan kecelakaan lalu lintas tahun depan jika

batas bawah kecepatan dinaikan.

4. Klasifikasi

Dalam klasifikasi, terdapat target variabel kategori. Sebagai

contoh, penggolongan pendapatan dapat dipisahkan dalam tiga kategori,

yaitu pendapatan tinggi, pendapatan sedang, dan pendapatan rendah.

5. Pengklasteran (Clusterring)

Pengklasteran merupakan pengelompokan record, pengamatan,

atau memperhatikan dan membentuk kelas obyek-obyek yang memiliki

kemiripan. Klaster adalah kumpulan record yang memiliki kemiripan satu

dengan yang lainnya dan memiliki ketidak miripan record dalam klaster

yang lain. Berbeda dengan klasifikasi, pada pengklasteran tidak ada

variabel target. Pengklasteran tidak melakukan klasifikasi, mengestimasi,

atau memprediksi nilai dari variabel target, akan tetapi, algoritma

pengkleasteran mencoba untuk melakukan pembagian terhadap

keseluruhan data menjadi kelompok-kelompok yang memiliki kemiripan

(homogen), yang mana kemiripan record dalam satu kelompok akan

bernilai maksimal, sedangkan kemiripan dengan record dalam kelompok

lain akan bernilai minimal.

14

6. Asosiasi

Tugas asosiasi dalam data mining adalah untuk menemukan atribut

yang muncul dalam satu waktu. Dalam dunia bisnis lebih umum disebut

analisis keranjang belanja.

Contoh asosiasi dalam penilitian adalah:

a. Meneliti jumlah pelanggan dari perusahaan telekomunikasi seluler

yang diharapkan untuk memberikan respon positif terhadap penawaran

upgrade layanan yang diberikan.

b. Menentukan barang dalam supermarket yang dibeli secara bersamaan

dan barang yang tidak pernah dibeli bersamaan.

2.2.3.2 Tahapan Data Mining

Sebagai suatu rangkaian proses, data mining dapat dibagi menjadi

beberapa tahap proses yang diilustrasikan pada gambar Gambar 2.1 t ahap-tahap

tersebut bersifat interaktif, pemakai terlibat langsung atau dengan perantaraan

knowledge base (Ridwan, Suyono, & Sarosa, 2013).

Gambar 2.1 Tahapan data mining

15

1. Data selection

Pemilihan (seleksi) data dari sekumpulan data operasional perlu dilakukan

sebelum tahap penggalian informasi dalam KDD dimulai. Data hasil

seleksi yang digunakan untuk proses data mining, disimpan dalam suatu

berkas, terpisah dalam basis data operasional.

2. Pre-processing/cleaning

Sebelum proses data mining dapat dilakukan, perlu dilakukan proses

cleaning pada data yang menjadi fokus KDD. Proses cleaning mencakup

antara lain membuang duplikasi data, memeriksa data yang inkosisten, dan

memperbaiki kesalahan pada data.

3. Transformation

Coding adalah proses transformasi pada data yang telah dipilih, sehingga

data tersebut sesuai untuk proses data mining. Proses coding dalam KDD

merupakan proses kreatif dan sangat tergantung pada jenis atau pola

informasi yang akan dicari dalam basis data.

4. Data mining

Data mining adalah proses mencari pola atau informasi menarik dalam

data terpilih dengan menggunakan teknik atau metode tertentu. Teknik,

metode, atau algoritma dalam data mining sangat bervariasi. Pemilihan

metode atau algoritma yang tepat sangat bergantung pada tujuan dan

proses KDD secara keseluruhan.

16

5. Interpretation/evalution

Pola informasi yang dihasilkan dari proses data mining perlu ditampilkan

dalam bentuk yang mudah dimengerti oleh pihak yang berkepentingan.

Tahap ini merupakan tahap dari proses KDD yang disebut interpretation.

Tahap ini mencakup pemeriksaan apakah pola atau informasi yang

ditemukan bertentangan dengan fakta atau hipotesis yang ada sebelumnya.

2.2.4 Decision Tree

Decision Tree atau Pohon keputusan adalah model prediksi menggunakan

struktur pohon a tau struktur berhirarki. Selain karena pembangunannya relatif

cepat, hasil dari model yang dibangun juga mudah untuk dipahami, sehingga

Decision Tree ini merupakan metode klasifikasi yang paling popular digunakan.

Decision Tree adalah flow chart seperti struktur Tree dimana tiap internal

node menunjukan sebuah test pada sebuah atribut, tiap cabang menunjukkan dari

test dan leaf node menunjukkan class-class atau class distribution (“Prosiding

Seminar Aplikasi Sains & Teknologi (SNAST) 2014 Yogyakarta, 15 November

2014 ISSN: 1979-911X,”2014).

Dalam decision tree tidak menggunakan vektor jarak untuk

mengklasifikasikan obyek. Seringkali data observasi mempunyai atribut-atribut

yang bernilai nominal. Seperti yang diilustrasikan pada gambar 2.2, misalnya

obyeknya adalah sekumpulan buah-buahan yang bisa dibedakan dalam atribut

bentuk, warna, ukuran dan rasa. Bentuk, warna, ukuran dan rasa adalah besaran

nominal, yaitu bersifat kategoris dan tiap nilai tidak bisa dijumlahkan atau

17

dikurangkan. Dalam atribut warna ada beberapa nilai yang mungkin yaitu hijau,

kuning, merah. Dalam atribut ukuran ada nilai besar, sedang dan kecil. Dengan

nilai-nilai atribut ini, kemudian dibuat decision tree untuk menentukan suatu

obyek termasuk jenis buah apa jika nilai tiap-tiap atribut diberikan(Asriningtias et

al., 2014).

Gambar 2.2 Decision Tree

Pohon yang dibentuk tidak selalu berupa pohon biner. Jika semua fitur

dalam data set menggunakan 2 macam nilai kategorikal maka bentuk pohon yang

didapatkan berupa pohon biner. Jika dalam fitur berisi lebih dari 2 macam nilai

kategoriikal atau menggunakan tipe numerik maka bentuk pohon yang didapatkan

biasanya tidak berupa pohon biner.

Pada Decision Tree terdapat tiga jenis node, yaitu:

a. Root Node, merupakan Node paling atas , pa da node ini tidak ada

input dan bisa tidak mempunyai output lebih dari satu.

18

b. Internal Node, merupakan node percabangan, pada node ini hanya

terdapat satu input dan mempunyai output minimal 2.

c. Leaf Node atau terminal node, merupakan node terakhir, pada node ini

hanya terdapat satu input dan tidak mempunyai output.

Kelebihan yang dimiliki Decision Tree antara lain:

a. hasil analisa berupa pohon yang mudah dimengerti.

b. Mudah untuk dibangun serta, membutuhkan data percobaan yang lebih

sedikit dibandingkan algoritma klasifikasi lainnya.

c. Mampu mengolah data nominal dan continyu.

d. Menggunakan teknik statistik sehingga dapat divalidasikan.

e. Akurasi yang dihasilkan mampu menandingi teknik klasifikasi lainnya.

2.2.5 Algoritma C4.5

Algoritma C4.5 merupakan kelompok algoritma decision tree. Algoritma

ini mempunyai input berupa training samples dan samples. Training samples

berupa berupa data contoh yang akan digunakan untuk membangun sebuah tree

yang telah diuji kebenarannya. Sedangkan samples merupakan field-field data

yang nantinya akan digunakan sebagai parameter dalam melakukan klasifikasi

data (“Prosiding Seminar Nasional Aplikasi Sains & Teknologi (SNAST) 2014

Yogyakarta, 15 November 2014 ISSN:1979-911X,”2014)

19

Tabel 2.2 Algoritma Membuat Keputusan

Algorithm : Generete_decision_tree.

Narrative : Generate a decision tree from the given training data.

Input : The training samples, samples, represented by discrete-valued attribute, the

set of candidate attributes, attribute-list.

Output : A dicision tree.

Method

1) Craete a node N;

2) If samples are all of the same class, C then

3) Return N as a leaf node labeled with class C

4) If attribute-list is empty then

5) Return N as leaf node labeled with the most common class in

samples;//majority voting

6) Select test-attribute, the attribute among attribute-list with the highest gain

ratio;

7) Label node N with last attribute;

8) For each known value a, of test-attribute

9) Grow a branch from node N for the condition test-attribute =

10) Let be the set of samples in samples for wich test-attribure = // a partition

11) If is empty then

12) attach a leaf labeled with the most common class in sample;

20

13) Else attach the node returned by Generate_decision_tree ( , attribute-list-list-

attribute);

Pada tahap pembelajaran algoritma C4.5 memiliki 2 prinsip kerja yaitu:

1. Pembuatan pohon ke putusan. Tujuan dari algoritma penginduksi pohon

keputusan adalah mengkontruksi struktur data pohon yang dapat digunakan untuk

memprediksi kelas dari sebuah kasus atau record baru yang belum memiliki kelas.

C4.5 melakukan kontruksi pohon keputusan.

2. dengan metode divide and conquer. Pada awalnya hanya dibuat node akar

dengan menerapkan algoritma divide and conquer. Algoritma ini memilih

pemecahan kasus-kasus yang terbaik dengan menghitung dan membandingkan

gain ratio, kemudian node-node yang terbentuk di level berikutnya, algoritma

divide and conquer akan diterapkan lagi sampai terbentuk daun-daun.

3. Pembuatan aturan-aturan (rule set). Aturan-aturan yang terbentuk dari pohon

keputusan akan membantuk suatu kondisi dalam bentuk if-then. Aturan-atturan ini

didapat dengan cara menelusuri pohon ke putusan dari akar sampai daun. Setiap

node dan syarat percabangan akan membentuk suatu kondisi atau suatu if,

sedangkan untuk nilai-nilai yang terdapat pada daun akar membentuk suatu hasil

atau suatu then.

Algoritma C4.5 merupakan pengmbanagn dari algoritma ID3. Algoritma

C4.5 dan ID3 diciptakan oleh seorang peneliti dibidang kecerdasan buatan

bernama j. Rose quinlan pada akhir tahun 1970-an. Aloritma C4.5 membuat

21

pohon keputusan dari atas ke bawah, dimana atribut paling atas merupakan akar,

dan yang paling bawah dinamakan daun (informasi, 2013).

Secara umum, algoritma C4.5 untuk membangun sebuah pohon keputusan

adalah sebagai berikut:

1. hitung jumlah data, jumlah data berdasarkan anggota atribut hasil dengan

syarat tertentu. Untuk proses pertama syaratnya masih kosong.

2. Pilih atribut sebagai Node.

3. Buat cabang untuk tiap-tiap anggota dari Node.

4. Periksa apakah nilai entropy dari anggota Node ada yang bernilai nol. Jika

ada, tentukan daun yang terbentuk. Jika seluruh nilai entropy anggota

Node adalah nol, maka proses pun berhenti.

5. Jika ada anggota Node yang memiliki nilai entropy lebih besar dari nol,

ulangi lagi proses dari awal dengan Node sebagai syarat sampai semua

anggota dari Node bernilai nol.Node adalah atribut yang mempunyai nilai

gain tertinggi dari atribut-atribut yang ada. Untuk menghitung nilai gain

suatu atribut digunakan rumus seperti yang tertera dalam persamaan

berikut:

Gain (S,A) = Entropy (S) –(∑ 𝐴𝑖𝑆

𝑛𝑖=1 *Entropy(Ai))

22

2.2.6 Information Gain

Information gain adalah salah satu attribute selection measure yang

digunakan untuk memilih test attribute tiap node pada tree. Atribut dengan

informasi gain tertinggi dipilih sebagai test atribut dari suatu node. Dalam

prosesnya perhitungan gain bisa terjadi atau tidak suatu missing value.

Setelah mendapat nilai entropy untuk suatu kumpulan data, maka kita

dapat mengukur efektifitas suatu atribut dalam mengklasifikasikan data. Ukuran

efektifitas ini disebut informasi gain. Secara matematis, information gain dari

suatu atribut A, dituliskan sebagai berikut (Julianto, Yunitarini, & Sophan, 2014);

Gain(S,A) – Entropy(S) –

∑ ve Value(A) |𝑆𝑣|𝑆

Entropy(Sv)

Dimana :

A : atribut

V : suatu nilai yang mungkin untuk atribut A Values (A) : himpunan yang

mungkin untuk atribut A

|Sv| : jumlah sampel untuk nilai v

|S| : jumlah seluruh sampel data

Entropy(Sv): entropy untuk sampel-sampel yang memiliki nilai v.

23

2.2.7 RapidMiner

RapidMiner merupakan perangkat lunak yang bersifat terbuka (open

source). RapidMiner adalah sebuah solusi untuk melakukan analisis terhadap data

mining, text mining dan analisis prediksi. RapidMiner menggunakan berbagai

teknik deskriptif dan prediksi dalam memberikan wawasan kepada pengguna

sehingga dapat membuat keputusan yang paling baik. RapidMiner memiliki

kurang lebih 500 ope rator data mining, termasuk operator untuk input, output,

data preprocessing dan visualisasi. RapidMiner merupakan software yang berdiri

sendiri untuk analisis data dan sebagai mesin data mining yang dapat

diintegrasikan pada produknya sendiri. RapidMiner ditulis dengan menggunakan

bahasa java sehingga dapat bekerja di semua sistem operasi(Aprilla Dennis,

2013).

RapidMiner sebelumnya bernama YALE (Yet Another Learning Environment),

dimana versi awalnya mulai dikembangkan mulai 2001 ol eh RalfKlinkenberg,

Ingo Mierswa, dan simon Fischer di artificial Intellegent Unit dari University of

Dortmund. RapidMiner didistribusikan di bawah lisensi AGPL (GNU Affero

General Public License) versi 3. H ingga saat ini telah ribuan aplikasi yang

dikembangkan menggunakan RapidMiner di lebih dari 40 ne gara. RapidMiner

sebagai software open source untuk data mining tidak perlu diragukan lagi karena

software ini sudah terkemuka di dunia. RapidMiner menempati perangkat pertama

sebagai software data mining pada polling oleh KDnuggets, sebuah portal data-

mining pada 2010-2011.

24

RapidMiner menyediakan GUI (Graphic User Interface) untuk merancang sebuah

pipeline analitis. GUI ini akan menghasilkan file XML (Extensible Markup

Language) yang mendefinisikan proses analitis keinginan pengguna untuk

diterapkan ke data. File ini kemudian dibaca oleh RapidMiner untuk menjalankan

analis secara otomatis.

2.2.7.1 Keunggulan RapidMiner

Sudah tidak diragukan lagi RapidMiner memilik keunggulan tersendiri

RapidMiner adalah aplikasi data mining yang tidak perlu dipertanyakan lagi dan

berbasis sistem open source dunia yang termuka dan ternama. Tersedia sebagai

aplikasi yang berdiri sendiri untuk analisis data dan sebagai mesin data mining

untuk integrasi ke dalam produk sendiri. Ribuan Aplikasi RapidMiner di lebih

dari 40 negara memberikan pengguna mereka keunggulan yang kompetitif. Solusi

yang diusung antara lain :

- Integrasi data

- Analitis ETL

- Data Analisis, dan

Pelaporan dalam data suite tunggal. Powerfull tapi memiliki antarmuka pengguna

grafis yang intiutif untuk desain analisis proses. Repositori untuk proses, data dan

penanganan meta data Hanya solusi dengan transformasi meta data : lupakan trial

and error dan memeriksa hasil yang telah di inspeksi selama desain. Hanya solusi

yang mendukung on-the-fly kesalahan dan dapat melakukan perbaikan dengan

25

cepat Lengkap dan fleksibel : Ratusan loading data, transformasi data, pemodelan

data, dan metode visualisasi data.

2.2.7.2 Kelemahan RapidMiner

Secara khusus untuk memperluas RapidMiner dengan R membantu

kelemahan alamat RM dalam luasnya algoritma, karena membawa ekosistem R

seluruh ke RM (mirip dengan bagaimana cepat saya menerapkan banyak

perpustakaan Weka pada awal pengembangan RM). Selanjutnya, karena R

pengguna paket rilis masyarakat yang menerapkan teknik baru yang lebih cepat

daripada vendor perusahaan, ini membantu mengubah kelemahan potensial

menjadi kekuatan potensial Namun, paket R cenderung dan berbagai kualitas, dan

lebih rentan dalam dukungan perbaikan/bug. Hal ini sangat bergantung pada

pengelola paket dan prevalensi penggunaan dalam komunitas R. Jadi, ketika

RapidMiner memiliki peserta didik dengan implementasi asli, biasanya lebih baik

untuk menggunakannya daripada R setara.

2.2.8 Kuesioner

Menurut wasis (2015:8) “kuesioner adalah daftar pertanyaan yang telah

disusun untuk memperoleh data sesuai yang diinginkan peneliti”.

Pengumpulan data dengan kuesioner ini ada dua macam yaitu: kuesioner

terbuka dan kuesioner tertutup. Pada kuesioner terbuka, responden secara bebas

menjawab pertanyaan yang telah disediakan peniliti dengan ungkapan yang sesuai

dengan responden. Sedangkan kuesioner tertutup, jawaban sudah disediakan

sehingga responden hanya memilih sesuai dengan pendapatnya.

26

2.3 Kerangka Pemikiran

Dalam penelitian ini metode yang digunakan yaitu Algoritma C4.5 untuk

memecahkan masalah dilakukan pengujian terhadap kinerja metode tersebut.

Pengujian metode dilakukan cross validation, confusion matrix dan kurva ROC.

Untuk pengembangan dan pengujian metode yang dipakai dengan menggunakan

aplikasi RapidMiner, Berikut ini kerangka pemikiran yang dilakukan.

Gambar 2.3 Kerangka Pemikiran

Masalah

Belum diketahui metode yang akurat untuk memprediksi kelayakan kredit motor

Analisa metode Algoritma C4.5

Metode

Pengembangan

RapidMiner 9.0

Kelayakan kredit motor apakah layak atau tidak

Implementasi

pengukuran

Hasil

Cross Validation, Confusion Matrix dan Kurva

Akurasi Algoritma C4.5 akurat untuk memprediksi kelayakan kredit motor

27

BAB III

METODE PENELITIAN

3.1 Objek Penelitian

3.1.1 Sejarah Perusahaan

PT.NSC Finance atau disebut juga Nusa Surya Ciptadana adalah

perusahaan berskala nasional yang bergerak di bidang leasing dan retail resmi

sepeda motor honda yang merupakan bagian dari Nusantara Sakti Group.

Sejak tahun 2000 N SC Finance telah memulai bisnisnya dalam bidang

pembiayaan dana tunai, furniture, gadai emas dan leasing kredit sepeda motor

khusus Honda Dealer Nusantara Sakti/Nusantara Surya Sakti. Kini NSC Finance

tersebar diseluruh indonesia dan didukung lebih dari 12.000 t enaga profesional

berpengalaman.

3.1.2 Visi dan Misi

A. Visi

menjadi Group Dealer sepeda motor Honda terbesar dan menjadi

perusahaan pembiayaan terbaik, tersehat dan terpercaya di indonesia.

B. Misi

Misi memberikan pelayanan terbaik kepada konsumen dengan konsep 3T

yaitu Tercepat, Termudah, dan Terpercaya namun tetap mengindahkan aspek

kehati-hatian sehingga menjadi perusahaan yang sehat dan kuat.

28

Kantor pusat NSC Finance beralamat di Gedung The Victoria Lantai 5-6

jl. Tomang Raya Kav. 35-37, Jakarta Barat, DKI Jakarta. Sedangkan kantor

cabang untuk daerah Bekasi beralamat di Jl. Bintara Raya, Bekasi, Jawa Barat.

3.1.3 Struktur Organisasi

Organisasi merupakan pengelompokan serta pengaturan dari berbagai

macam aktivitas yang dianggap perlu untuk mencapai tujuan, sumber daya,

lingkungan internal dan eksternal yang dihadapi juga berbeda. Berikut Struktur

Organisasi Perusahaan seperti gambar 3.1.

Gambar 3.1 Struktur Organisasi NSC Finance

Fungsi dari masing-masing bagian adalah sebagai berikut :

1. Kepada Unit bertanggung jawab untuk mengatur jalannya sistem

operasional pada NSC Finance apakah sudah sesuai dengan SOP atau

belum.

Kepala Unit

Ibu Laela

Marketing Kredit (Merangkap)

Ibu Yeti

Account Officer

Bpk.M.Adit

Sales Marketing

Retno

29

2. Marketing Bertanggung jawab untuk menentukan siapa yang layak

menerima kredit motor pada NSC Finance.

3. Account Officer bertanggung jawab untuk mengolah data keuangan pada

unit NSC Finance serta bertanggung jawab pula menentukan siapa yang

layak menerima kredit motor bersama dengan Marketing kredit.

4. Sales Marketing bertanggung jawab menawarkan jasa dan penjualan motor

yang ada di NSC Finance.

3.2 Instrumen Penelitian

Penelitian ini dilakukan berdasarkan permasalahan yang telah diuraikan

pada bab sebelumnya. Adapun instrumen yang dibutuhkan dalam melakukan

penelitian ini yaitu :

3.2.1 Bahan

Bahan penelitian ini yang dibutuhkan yaitu berupa data kredit calon

konsumen pada NSC Finance cabang Bekasi, yang akan digunakan untuk

memprediksi kelayakan kredit.

3.2.2 Peralatan

Tujuan dari deskripsi peralatan adalah untuk mengetahui kebutuhan sistem

agar mempermudah dalam memprediksi, peralatan ini meliputi :

30

A. Kuesioner

kuesioner diadopsi dari jurnal dari teori yang dikemukakan oleh ahli.

Kemudian penilaian dan uji validasi dilakukan oleh penulis.

Uji coba instrumen dilakukan kepada bagian Account Officer dan

Marketing Credit di NSC Finance cabang Bekasi. Pengukuran yang digunakan

akan diterapkan dalam penentuan calon kredit motor untuk mengukur kelayakan

berdasar kriteria-kriteria yang didapat dari kuesioner.

Tabel 3.1 Kuesioner (2018)

No Pertanyaan Jawaban Responden

Ya Tidak

1. Nasabah harus mengisi surat permohonan kredit dan

membawa SELURUH persyaratan pengajuan kredit?

2. Nasabah harus mengisi surat permohonan kredit dan

membawa SEBAGIAN persyaratan pengajuan

kredit?

3. Nasabah yang sebelumnya sudah pernah mengajukan

kredit dengan pembayaran BURUK, bisa

mengajukan kredit lagi?

4. Nasabah yang sudah pernah mengajukan kredit dan

MASIH BERJALAN, dapat mengajukan kredit lagi?

31

5. Proses survei dilakukan untuk memastikan kebenaran

data nasabah berupa alamat, kondisi tempat tinggal,

jumlah tanggungan dan keadaan lingkungan?

6. Proses pengajuan kredit tidak akan dilanjutkan

(ditolak) jika ditemukan kejanggalan dan atau

pengisian data tidak benar?

7. Kelengkapan persyaratan berkas dan hasil survei

adalah dasar penentuan kelayakan nasabah?

8. Karakter nasabah (kebiasaan, sifat dan hobi)

berpengaruh dalam penilaian kelayakan?

9. Pendidikan tinggi memperbesar kemungkinan

kelayakan nasabah?

10. Pekerjaan tetap (PNS/BUMN/dll) memperbesar

kemungkinan kelayakan nasabah dibanding

karyawan kontrak?

11. Wiraswasta golongan penghasilan kecil menurunkan

kelayakan nasabah?

12. Jumlah tanggungan nasabah berpengaruh dalam

menilai kelayakan?

13. Status rumah (milik sendiri/ngontrak/dll)

berpengaruh dalam menilai kelayakan?

14. Status nasabah (lajang/menikah/cerai) berpengaruh

dalam menilai kelayakan?

32

15. Tujuan membeli motor berpengaruh dalam menilai

kelayakan?

16. Keputusan pengajuan kredit oleh nasabah, diterima

dan tidaknya berada ditangan kredit analis?

17. Kepala cabang memiliki kuasa untuk menolak dan

menerima pengajuan kredit nasabah?

18. Jika terjadi kredit macet, kinerja kredit analis

berpengaruh?

19. Adanya jaminan dari nasabah untuk mengurangi

risiko kerugian akibat kredit macet?

20. Besarnya nilai jaminan mempengaruhi kelayakan

nasabah menerima kredit?

Sumber: Kuesioner (2018)

3.3 Metode Pengumpulan Data, Populasi dan Sampel Penelitian

3.3.1 Metode Pengumpulan Data

Untuk mendapatkan data-data yang dapat menunjang penelitian ini,

peneliti menggunakan beberapa metode pengumpulan data sebagai berikut :

1. Observasi

Observasi dilakukan langsung ke NSC Finance Bekasi yang beralamat di

Jl. Bintara Raya, Bekasi, Jawa Barat.

33

2. Wawancara

Wawancara dilakukan dengan bagian Account Officer untuk menanyakan

masalah-masalah yang ada pada saat analisa data calon pengajuan kredit

motor.

3. Angket

Langkah selanjutnya peneliti menyebar kuesioner kepada responden yakni

karyawan yang menjabat sebagai Account Officer dan Marketing Credit

yang menentukan secara langsung apakah pemohon layak atau tidak

berdasar kriteria-kriteria yang sudah ditentukan dengan mengisi beberapa

pertanyaan yang diajukan penulis.

4. Studi Pustaka

Penulis melakukan studi kepustakaan melalui literatur-literatur atas

referensi-referinsi yang ada diperpustakaan, maupun dari internet dan e-

book.

3.3.2 Populasi

Menurut Sugiono (2014:118) “populasi adalah wilayah generalisasi yang

terjadi atas obyek/subjek yang mempunyai kualitas dan karakteristik tertentu yang

ditetapkan oleh peneliti untuk dipelajari dan kemudian ditarik kesimpulannya.”

Jadi populasi bukan hanya orang, tetapi juga obyek dan benda-benda alam

yang lain. Populasi juga bukan sekedar jumlah yang ada pada obyek/subyek yang

dipelajari, tetapi meliputi seluruh karakteristik/sifat yang dimiliki oleh subyek

34

atau obyek itu. Populasi dalam penelitian ini adalah bagian Account Officer dan

Marketing Credit pada NSC Finance cabang Bekasi.

3.3.3 Sampel Penelitian

Menurut Sugiono (2012:119) “sampel adalah bagian dari jumlah dan

karakteristik yang dimiliki oleh populasi tersebut”.

Apabila peneliti melakukan penelitian terhadap populasi yang besar,

sementara peneliti ingin meneliti tentang populasi tersebut dan peneliti memiliki

keterbatasan dana, tenaga dan waktu maka peneliti menggunakan teknik

pengambilan sampel, sehingga generalisasi kepada populasi yang diteliti. Penulis

mengambil sampel 2 ka ryawan yang menjabat sebagai bagian bagian Account

Officer dan Marketing Credit pada NSC Finance cabang Bekasi.

3.4 Tahapan Penelitian

Dalam suatu penelitian tidak terlepas dari kerangka pemikiran, tahapan

penelitian ini dilakukan untuk menentukan kelayakan pengajuan kredit sepeda

motor menggunakan metode Algoritma C4.5. Berikut adalah kerangka pemikiran

dalam bentuk gambar :

35

Gambar 3.2 Bagan Kerangka Pemikiran

Tahapan metodologi penelitian dijelaskan secara umum sebagai berikut :

1. Problem

Pada penelitian ini terdapat masalah pada mengukur atau menentukan

kelayakan pengajuan kredit pada NSC Finance cabang Bekasi sehingga

perlu dicari bagaimana memprediksi dalam kelayakan kelayakan

pemberian kredit motor agar tidak terjadi kesalahan pengambilan

keputusan.

Bagaimana memprediksi kelayakan kredit bermotor roda dua

PROBLEM

APPROAC

Data Mining Algoritma C4.5

Prediksi penentuan kelayakan kredit sepeda motor roda dua dengan aplikasi pendukung RapidMiner 9.0

DEVELOPMENT IMPLEMENTATION

NSC Finance cabang Bekasi

RESULT

Mengukur tingkat akurasi dan error dengan aplikasi pendukung RapidMiner 9.0

36

2. Approach

Metode yang digunakan untuk menganalisa dan mengukur atau

menentukan kelayakan pengaju kredit sepeda motor adalah Metode Data

mining Algoritma C4.5.

3. Development

Aplikasi yang digunakan untuk menganalisa dan memprediksi untuk

menentukan kelayakan pengaju kredit sepeda motor dengan aplikasi

pendukung yang digunakan Rapidminer 9.0.

4. Implementation

Kriteria untuk pengukuran kelayakan diambil langsung dari NSC Finance

cabang Bekasi melalui kuesioner.

5. Result

Menganalisa hasil pengolahan data dan mengukur tingkat akurasinya dari

penentuan kelayakan atau ketidak layakan pengajuan kredit motor dengan

membandingkan dengan aplikasi pendukung lain yang menghasilkan

presentase tingkat akurasi dan eror.

3.5 Teknik Analisa Data

pada penelitian ini, data yang digunakan adalah data NSC Finance cabang

Bekasi data tersebut akan diolah menggunakan metode algoritma C4.5 dapat

digunakan sebagai rules dalam menentukan kelayakan kredit motor. Dalam

penelitian ini akan dilakukan beberapa langkah atau penelitian seperti berikut :

37

Gambar 3.3 Teknik Analisa Data

(Eko Cahyo, 2017)

1. Pengumpulan Data

Pada bagian ini dijelaskan tentang bagaimana dan darimana data penelitian

ini didapat, meliputi Observasi, Wawancara, Angket, Studi Pustaka.

2. Pengolahan Awal Data

Pada bagian ini dijelaskan tentang tahap awal data mining. Pengolahan

data meliputi proses input data ke format yang dibutuhkan,

pengelompokan dan penentuan atribut data.

3. Metode yang Diusulkan

Pada bagian ini dijelaskan tentang metode yang diusulkan untuk

digunakan pada prediksi kenaikan jabatan. Penjelasan meliputi pengaturan

P e n g u m p u l a n D a t a

Pengolahan Data Awal

Metode Yang Diusulkan

Pengujian Data Dengan Beberapa Metode

Pengujian/Validasi Hasil

38

dan pemilihan nilai dari parameter-parameter dan arsitektur melalui uji

coba.

4. Eksperimen dan Pengujian Metode

Pada bagian ini dijelaskan tentang langkah-langkah eksperimen meliputi

cara pemilihan arsitektur yang tepat dari model atau metode yang

diusulkan sehingga dihasilkan hasil yang dapat membuktikan bahwa

metode yang digunakan adalah tepat.

5. Evaluasi dan Validasi Hasil

Pada bagian ini dijelaskan tentang evaluasi dan validasi hasil penerapan

metode pada penelitian yang dilakukan. Penjelasan mengenai hal ini akan

dipaparkan pada Bab IV.

3.6 Metode Analisis Data

Metode analisis data menggunakan Algoritma C4.5 untuk pengumpulan

data sebanyak 200 konsumen dan memiliki 7 atribut dalam mempengaruhi

keputusan kelayakan kredit motor yaitu karakter, pendidikan, pekerjaan,

tanggungan, rumah, pendapatan, dan status. Adapun hasil keputusan yang

didapatkan adalah layak atau tidaknya pengajuan kredit. Setelah data yang

didapatkan untuk melakukan penelitian maka ada beberapa tahapan preparation

data. Preparation data merupakan tahapan untuk mendapatkan data yang

berkualitas, maka akan dilakukan beberapa teknik sebagai berikut :

39

1. Data Cleaning

Data yang berkualitas sangat mempengaruhi kualitas keputusan yang akan

diperoleh. Data yang tidak berkualitas adalah data yang nilai atributnya

hilang, error dan data tidak konsisten dalam pengisian atributnya. Untuk

mendapatkan data yang berkualitas dilakukan tahapan dalam data cleaning

sebagai berikut :

a. Menghilangkan data yang tidak lengkap atau data yang tidak

mempengaruhi hasil pada data testing.

b. Mengisi nilai-nilai yang hilang dari data yang tidak lengkap (missing

value).

2. Data intergartion and ransformation

Teknik yang digunakan untuk menganalisis data kolerasi, atribut yang

redundan disebut integration, sedangkan transformation bergunakan

untuk meningkatkan akurasi. Algoritma C4.5 memiliki kelebihan

memproses data yang bernilai nominal, ortodinal maupun continue.

Sehingga nilai-nilai setiap atribut yang terdapat pada dataset tidak perlu

ditransformasikan.

3. Data reduction

Dataset yang direduksi dengan mengurangi jumlah atribut dan record

supaya menjadi lebih sedikit tetapi tetap bersifat informatif. Memperoleh

respresentasi dalam bentuk volume data yang telah berkurang jumlahnya

namun tetap mendapatkan hasil analisa yang sama. Deskretasi data

merupakan bagian dari reduksi data bagian penting untuk data numerik.

40

Berikut adalah atribut keseluruhan sebelum dilakukan reduction data yaitu

karakter, pendidikan, pekerjaan, tanggungan, rumah, pendapatan dan

status (layak atau tidak layak) sebagai label. Kemudian menghapus atribut

yang tidak digunakan.

3.7 Pengolahan Awal Data

Pada data konsumen yang telah dikumpulkan dilakukan cleaning data,

yaitu dengan menghilangkan record-record yang noice atau tidak lengkap dan

record yang berulang. Atribut yang juga tidak diperlukan juga bisa dihilangkan

seperti atribut Karakter, Pendidikan, Pekerjaan, Tanggungan, Rumah, Pendapatan,

dan Status. Hal ini dilakukan karena atribut tersebut tidak berpengaruh terhadap

pengolahan data pada proses selanjutnya. Berikut adalah tabel atribut dan

kategorinya.

Tabel 3.2 Atribut yang Digunakan

No ATRIBUT

1. Karakter

2. Pendidikan

3. Pekerjaan

4. Tanggungan

5. Rumah

6. Pendapatan

7. Status

41

3.7.1 Splid Validation

Splid Validation merupakan data yang sudah disiapkan untuk klasifikasi

dibagi menjadi dua untuk data tranning dan data testing. Pembagian data menjadi

data tranning (80%) dan data testing (20%) menggunakan teknik sampling

random sistematik (systematic random sampling). Cara menggunakan teknik

sampling random sistematik ini pengundian dilakukan satu kali, yaitu ketika

melakuan unsur pertama disampling yang akan diambil. Penentuan unsur

sampling selanjutnya ditempuh dengan cara memanfaatkan interval sanple.

Interval sample adalah angka yang mennunjukan jarak antara nomor-nomor urut

yang terdapat dalam rangka sampling yang akan dijadikan patokan dalam

menentukan atau memilih unsur-unsur sampling kedua dan seterusnya hingga

unsur ke-n. Interval sample biasanya dilambangkan dengan huruf k.

3.7.2 Cross Validation

Cross-validation (CV) adalah metode statistik yang dapat digunakan

untuk mengevaluasi kinerja model atau algoritma dimana data dipisahkan

menjadi dua subset yaitu data proses pembelajaran dan data validasi/evaluasi.

Model atau algoritma dilatih oleh subset pembelajaran dan divalidasi oleh subset

validasi. Selanjutnya pemilihan jenis CV dapat didasarkan pada ukuran dataset.

Biasanya CV-K-fold digunakan karena dapat mengurangi waktu komputasi

dengan tetap menjaga keakuratan estimasi.

42

3.7.3 Apply Model

Merupakan sebuah model pertama kali dilatih pada ExampleSet oleh

Operator lain, yang sering merupakan algoritma pembelajaran. Setelah itu, model

ini dapat diterapkan pada ExampleSet lain. Biasanya, tujuannya adalah untuk

mendapatkan prediksi pada data yang tidak terlihat atau untuk mengubah data

dengan menerapkan model preprocessing.

The ExampleSet di mana model diterapkan, harus kompatibel dengan Atribur

model. Ini berarti, bahwa ExampleSet memiliki nomor, urutan, jenis, dan peran

Atribut yang sama seperti ExampleSet yang digunakan untuk menghasilkan

model.

3.7.4 Performance

Performance dapat diartikan sebagai tingkat pencapaian hasil atau “The

degree of accomplishment “ (Rue and Byars, 1981:375). Sering pula disebut

tingkat pencapaian tujuan organisasi. Penilaian terhadap performance atau disebut

juga kinerja merupakan suatu kegiatan yang sangat penting Penilaian dimaksud

bisa dibuat sebagai masukan guna mengadakan perbaikan untuk peningkatan

kinerja organisasi pada waktu berikutnya. (Mac Donald and Lawton, 1977).

Apabila sebuah organisasi tidak menghasilkan keluaran berupa materi,

performance juga sebagai sebutan bagi pengukuran output atau hasil dari

organisasi. Penjelasan tersebut dibicarakan oleh Stodgil dalam hubungannya

dengan permasalahan output organisasi.

43

3.8 Pemodelan

Pada penelitian ini metode yang digunakan adalah Algoritma C4.5 dan

dengan menggunakan tools RapidMiner 9.0.

Ada beberapa tahap dalam membuat pohon keputusan dengan algoritma

C4.5, yaitu sebagai berikut:

1. Menyiapkan data training atau data testing. Data training dan data testing

biasanya diambil dari histori yang pernah terjadi dan sudah dikelompokan

ke dalam kelas-kelas tertentu.

2. Menentukan akar dari pohon. Akar akan diambil dari atribut yang terpilih,

dengan cara menghitung nilai gain dari masing-masing atribut, nilai gain

yang paling tinggi yang akan menjadi akar pertama. Sebelum menghitung

nilai gain dari atribut, hitung dulu nilai entropy, dengan rumus sebagai

berikut :

Entropy (S) = ∑ − pi 𝑛𝑖=1 * log2 pi

3. Kemudian hitung nilai gain, dengan rumus sebagai berikut :

Gain(S,A) = Entropy (S) - � |𝑆𝑖||S|

𝑛

𝑖=1 * Entropy (S)

4. Ulangi langkah ke-2 hingga semua record terpartisi.

5. Proses partisi pohon keputusan akan terhenti saat :

a. Semua record dalam simpul N mendapat kelas yang sama.

b. Tidak ada atribut di dalam record yang dipartisi lagi.

c. Tidak ada record di dalam cabang yang kosong.

44

BAB IV

HASIL DAN PEMBAHASAN

4.1 Kriteria Pelanggan

Dalam menentukan seseorang layak atau tidak menerima kredit sepeda

motor ada beberapa kriteria yang digunakan pihak NSC Finance. Tidak hanya

kriteria yang bersifat objektif, tetapi juga kriteria yang bersifat subjektif.

Berdasarkan wawancara dan pengisian kuesioner oleh pihak NSC Finance

khususnya bagian Account Officer dan Marketing Credit.

Kriteria yang digunakan dalam penilaian dalam memberikan kredit sepeda

motor.

1. Karakter :

(Sangat kurang; Kurang; Cukup; Baik; Sangat baik)

2. Pendidikan :

(SD/MI; SLTP/SMP; SLTA/SMA; Diploma 3; S1 Ke atas)

3. Pekerjaan :

(Lain-lain; Wiraswasta; Karyawan; Provesi; PNS/BUMN)

4. Tanggungan :

(> 6 Orang; 5 Orang; 3-4 orang; 1-2 orang; 0 orang)

5. Rumah :

(Kost/kontrak; KPR; Milik Instansi; Milik keluarga; Milik sendiri)

45

6. Pendapatan :

(<1 juta rupiah; 1-1,5 juta rupiah; 1,5-2,5 juta rupiah; 2,5-3,5 juta

rupiah; > 3,5 juta rupiah)

4.2 Perhitungan Algoritma C4.5

Dataset yang digunakan sebagai data training adalah sebanyak 200 data.

yang diambil dari data pengajuan kredit terdahulu yang sudah ditentukan

kelayakannya. Sedangkan untuk data testing yang akan ditentukan kelayakannya

berjumlah 40 data.

4.2.1 Menghitung Probabilitas Kelas

Tahap pertama perhitunngan pencarian kelayakan dengan metode

Algoritma C4.5 adalah dengan mencari probabilitas dari masing-masing kelas.

Untuk pengajuan kredit motor akan ditentukan 2 kelas yaitu kelas “Layak” dan

“Tidak Layak”.

Cara perhitungannya adalah dengan mencari beberapa jumlah data yang

layak dan tidak layak dari total keseluruhan data training, lalu membaginya

dengan total keseluruhan data. Hasil dari perhitungan tersebut dapat dilihat pada

tabel berikut :

46

Tabel 4.1 Probabilitas Kelas

Kelas

Layak Tidak Layak

Layak 98/200 Tidak Layak 102/200

4.2.2 Menghitung Probabilitas Masing-Masing Atribut

Cara mencari probabilitas suatu atribut adalah dengan membandingkan

atribut dari data testing dengan atribut dari data training, beberapa jumlah atribut

dengan kelas layak yang berada pada data training, kemudian bagi dengan

probabilitas kelas layak. Begitu juga dengan mencari probabilitas untuk kelas

tidak layak.

1. Atriibut Karakter

Tabel 4.2 Atribut Karakter

Karakter Sangat

Baik

Baik Cukup Kurang Sangat

Kurang

Layak 33/98 36/98 26/98 1/98 2/98

Tidak Layak 0/102 2/102 12/102 47/102 41/102

47

2. Atribut Pendidikan

Tabel 4.3 Atribut Pendidikan

Pendidikan S1 ke atas Diploma 3 SLTA/SMA SLTP/SMP SD/MI

Layak 19/98 14/98 20/98 20/98 25/98

Tidak Layak 25/102 14/102 23/102 19/102 21/102

3. Atribut Pekerjaan

Tabel 4.4 Atribut Pekerjaan

Pekerjaan PNS/BUMN Profesi Karyawan Wiraswasta Lin-Lain

Layak 14/98 25/98 19/98 21/98 19/98

Tidak Layak 20/102 17/102 30/102 12/102 23/102

4. Atribut Tanggungan

Tabel 4.5 Atribut Tanggungan

Tanggungan 0 orang 1-2 orang 3-4 orang 5 orang > 6 orang

Layak 29/98 25/98 15/98 20/98 9/98

Tidak Layak 18/102 4/102 31/102 21/102 14/102

48

5. Atribut Rumah

Tabel 4.6 Atribut Rumah

Rumah Milik

Sendiri

Milik

Keluarga

Milik

Instansi

KPR Kost/Kontrak

Layak 16/98 16/98 19/98 17/98 30/98

Tidak Layak 21/102 19/102 16/102 22/102 24/102

6. Atribut Pendapatan

Tabel 4.7 Atribut Pendapatan

Pendapatan > 3,5 juta 2,5–3,5

juta

1,5-2,5

juta

1-1,5 juta < 1 juta

Layak 24/98 18/98 19/98 21/98 16/98

Tidak Layak 21/102 24/102 13/102 14/102 30/102

4.2.3 Menghitung Probabilitas Akhir Untuk Setiap Kelas

Untuk menghitung probabilitas akhir pada setiap kelas, perlu

menggunakan data training dan mengubahnya menjadi nilai yang sudah

ditentukan pada proses sesuai dengan atribut masing-masing. Lalu dari masing-

masing atribut dan nilai probabilitas kelas, dilakukan.

Dari kedua hasil yang sudah ditentukan pada tiap kelas, bandingkan nilai

yang paling tinggi. Jika kelas layak bernilai paling tinggi, maka hasilnya layak.

Begitu pula sebaliknya.

49

4.3 Hasil

4.3.1 Evaluasi dan Validasi Hasil Algoritma C4.5

Langkah pembuatan pohon keputusan (Decision Tree). Pada langkah awal

dari proses evaluasi algoritma C4.5 ini adalah menyiapkan data yang akan

diproses terlebih dahulu, dan berikut data keseluruhan PT. NSC Finanace

Tabel 4.8 Data Keseluruhan

50

Tabel 4.9 Data Keseluruhan (Lanjutan)

51


52


53


54


55


56

Tabel 4.15 Data Testing

57

Tabel 4.16 Data Testing (Lanjutan)

58

4.4 Pembahasan

4.4.1 Tahapan Proses RapidMiner

Berikut adalah tahapan dalam melakukan data mining di rapidminer 9.0,

pada langkah awal saat membuka aplikasi akan muncul icon seperti berikut :

Pertama buka aplikasi Rapidminer

Gambar 4.1 Tampilan RapidMiner saat loading pembukaan

Setelah menunggu loading selesai maka akan muncul tampilan menu

utama awal tekan star new process untuk melakukan proses selanjutnya.

59

Halaman utama Rapidminer

Gambar 4.2 Tampilan menu awal sebelum proses

Setelah muncul gambar diatas, tekan new proses untuk membuat

pengolahan data awal.

60

Tampilan proses Rapidminer

Gambar 4.3 Tampilan Utama Proses Baru

Setelah muncul menu proses klik Import, klik Data lalu klik Read Excel

hingga muncul kotak Read Excel pada main proses

61

Gambar 4.4 Tampilan Main Proses Read Excel

Setelah itu klik Import Configuration Wizard untuk mengambil data excel

yang tersimpan dalam computer.

Gambar 4.5 pemilihan data yang akan diproses

62

Pilih data training lalu tekan next

Gambar 4.6 Pemilihan Data Training

Pilih next selanjutnya tekan Finish.

Lalu pilih Edit List -> ganti kolom status menjadi binominal, dan label.

Gambar 4.7 Atribut Label

63

Selanjutnya klik Apply

Pilih Cross validasion -> Run -> Model Decision Tree -> Apply Model ->

Performance Binominal (Klik Performance Pilih/(Ceklis) : a ccuracy, AUC

(optimistic),AUC, precision, recall.

Gambar 4.8 Tampilan Model Training

64

Selanjutnya klik Run.

Gambar 4.9 Nilai Performance Accuracy

Gambar 4.10 Nilai Description Accuracy

65

Hasil dari pengukuran data Accuracy yang diperoleh dari data training

mencapai accuracy: 85.83% +/- 11.81% (micro average: 85.83%).

Dari data tersebut diketahui prediksi tidak layak dengan true tidak layak

mencapai 51 konsumen dan true layak sebanyak 11 kons umen, dengan

pencapaian class precision 82,26%. Sedangkan prediksi layak dengan true layak

52 konsumen dengan pencapaian class precition 89,66 %. Untuk class recall

dengan true tidak layak mencapai 89,47% sedangkan untuk class recall dengan

true layak 82,54%.

PerformanceVector:

accuracy: 85.83% +/- 11.81% (micro average: 85.83%)

ConfusionMatrix:

True Tidak Layak Layak

Pred. Tidak Layak 51 11

Pred. Layak 6 52

AUC (optimistic): 0.944 +/- 0.068 (micro average: 0.944) (positive class: Layak)

AUC: 0.880 +/- 0.132 (micro average: 0.880) (positive class: Layak)

precision: 91.81% +/- 12.87% (micro average: 89.66%) (positive class: Layak)

ConfusionMatrix:



Pred. Layak 6 52

66

recall: 82.86% +/- 17.46% (micro average: 82.54%) (positive class: Layak)

ConfusionMatrix:



Pred. Layak 6 52

Gambar 4.11 Nilai Performance AUC (optimistic)

67

Gambar 4.12 Nilai Description AUC (optimistic)

Hasil nilai dari AUC (optimistic) di ketahui dari AUC (Area Under

Curve) optimiatic dengan hasil sebesar AUC (optimistic): 0.944 +/- 0.068 (micro

average: 0.944) (positive class: Layak).

Untuk mengetahui performance vector yang diperoleh adalah sebagai

berikut :

PerformanceVector:


ConfusionMatrix:



Pred. Layak 6 52

68




ConfusionMatrix:



Pred. Layak 6 52


ConfusionMatrix:



Pred. Layak 6 52

Gambar 4.13 Nilai Performance AUC

69

Gambar 4.14 Nilai Description AUC

Hasil nilai dari AUC di ketahui dari AUC (Area Under Curve) dengan

hasil sebesar AUC: 0.880 +/- 0.132 (micro average: 0.880) (positive class: Layak)

Untuk mengetahui performance vector yang diperoleh adalah sebagai

berikut :

PerformanceVector:


ConfusionMatrix:



Pred. Layak 6 52



70


ConfusionMatrix:



Pred. Layak 6 52


ConfusionMatrix:



Pred. Layak 6 52

Gambar 4.15 Nilai Performance Precision

71

Gambar 4.16 Nilai Description Precision

Hasil dari pengukuran data Precision yang diperoleh dari data training

mencapai precision: 91.81% +/- 12.87% (micro average: 89.66%) (positive class:

Layak)


mencapai 51 kons umen dan true layak sebanyak 11 kons umen, dengan




true layak 82,54%.

72

Gambar 4.17 Nilai Performance Recall

Gambar 4.18 Nilai Description Recall

73

Hasil dari pengukuran data Recall yang diperoleh dari data training

mencapai recall: 82.86% +/- 17.46% (micro average: 82.54%) (positive class:

Layak)


mencapai 51 kons umen dan true layak sebanyak 11 kons umen, dengan




true layak 82,54%.

Gambar 4.19 Decision Tree

74

Gambar 4.20 Description Decision Tree

Berdasarkan hasil dari Decision Tree, Maka dapat disimpulkan sebagai

berikut :

Rule 1 = - Jika Karakter Cukup maka Layak

- Jika Karakter Kurang maka Tidak Layak

- Jika Karakter Kurang maka Tidak Layak

- Jika Karakter Sangat baik maka Layak

- Jika Karakter Sangat baik maka Layak

- Jika Karakter Sangat kurang maka Tidak Layak

Rule 2 = - Jika Karakter Cukup, Tanggungan 0 orang maka Layak

- Jika Karakter Cukup, Tanggungan 1-2 orang maka Layak

75

- Jika Karakter Cukup, Tanggungan 3-4 orang, dan No, >62.500 maka

Layak

- Jika Karakter Cukup, Tanggungan 3-4 orang, dan No, <62.500 maka

Tidak Layak

- Jika Karakter Cukup, Tanggungan 5 orang maka Tidak Layak

- Jika Karakter Cukup, Tanggungan lebih dari 6 orang maka Layak

Rule 3 = - Jika Karakter Baik, No, >20, dan No, >61.500, Pekerjaan Karyawan

maka Layak

- Jika Karakter Baik, No, >20, dan No, >61.500, Pekerjaan PNS/BUMN

maka Layak

- Jika Karakter Baik, No, >20, dan No, >61.500, Pekerjaan Profesi maka

Tidak Layak

- Jika Karakter Baik, No, >20, dan No, >61.500, Pekerjaan Wiraswasta

maka Layak

- Jika Karakter Baik, dan No, >20, No, <61.500, maka Layak

- Jika Karakter Baik, dan No, <20, maka Tidak Layak

76

Gambar 4.21 Grafik Hasil Keseluruhan

Berdasarkan grafik hasil keseluruhan diatas maka dapat disimpulkan sebagai berikut :

Hasil tertinggi = 2 60 dari karakter Sangat Kurang, Hasil terendah = 60 dari karakter Cukup.

77

Gambar 4.22 grafik hasil Layak dan Tidak Layak

Berdasarkan grafik hasil keseluruhan diatas maka dapat disimpulkan sebagai berikut :

Hasil yang Layak = 62.5 dan hasil yang tidak layak = 37.5

78

BAB V

PENUTUP

5.1 Kesimpulan

Berdasarkan hasil penelitian yang dilakukan mengenai penentuan

kelayakan pengajuan kredit motor dengan metode Algoritma C4.5 pada NSC

Finance, maka dapat diambil beberapa kesimpulan sebagai berikut :

1. Metode Algoritma C4.5 yang digunakan memberikan proses

penyeleksian yang cepat dan algoritma yang mudah dipahami dengan

tingkat akurasi tinggi.

2. Dengan memprediksi kelayakan pengajuan kredit sepeda motor,

perusahaan dapat dengan mudah dan cepat memasukkan data

pendaftar.

3. Dengan menggunakan aplikasi Rapidminer untuk memprediksi

kelayakan pengajuan kredit motor, perusahaan mendapatkan hasil

analisa metode Algoritma C4.5 dengan cepat, apakah pengaju kredit

layak atau tidak layak.

4. Dengan menggunakan metode Algoritma C4.5 untuk menentukan

kelayakan pengajuan kredit motor menggunakan 200 data training atau

dataset dan 40 data testing yang dipilih secara random.

5. Dari pengujian yang dilakukan dengan membandingkan hasil analisa

sistem dengan aplikasi pendukung Rapidminer didapat tingkat akurasi

sebesar 85.83%.

6. Prediksi penentuan kelayakan pengajuan kredit dengan metode

Algoritma C4.5 dapat digunakan untuk membantu perusahaan dalam

menentukan kelayakan pengaju kredit motor pada NSC Finance.

79

5.2 Saran

Berdasarkan penelitian yang telah ditentukan mengenai prediksi kelayakan

pengajuan kredit sepeda motor dengan metode Algoritma C4.5 pada NSC

Finance, maka terdapat beberapa saran yang perlu diperhatikan :

1. Penentuan data training dapat mempengaruhi hasil pengujian, karena pola

data training tersebut akan dijadikan sebagai rule untuk menentukan kelas

pada data testing. Sehingga besar atau kecilnya presentase tingkat akurasi

dipengaruhi juga oleh penentuan data training.

2. Prediksi metode Algoritma C4.5 tidak akan menghasilkan keluaran yang

akurat jika terdapat salah satu data yang kosong atau nol pada salah satu

kelas maupun keduanya.

3. Dalam penelitian ini hanya menggunakan 6 kriteria untuk penentuan

kelayakan pengajuan kredit motor. Untuk penelitian selanjutnya bisa

ditambahkan kriteria lagi.

4. Jenis pengelompokan data dalam penelitian ini bersifat kategorik untuk

hasil yang lebih optimal mungkin bisa ditambah dengan perhitungan data

numerik.

5. Data yang dipakai dalam penelitian ini sebanyak 200 Data, untuk

penelitian selanjutnya Data bisa ditambahkan lebih dari 200 Data.

80

DAFTAR PUSTAKA

AISI. 2017. Statistic Motorcycle Production Wholesales Domestic and Exports. Diambil dari: http://www.aisi.or.id/statistic (25 september 2017)

Aprilla Dennis. (2013). Belajar Data Mining dengan RapidMiner. Innovation and Knowledge Management in Bussines Globalization: Theory & Practice, Vols 1 and 2, 5(4), 1-5. https://doi.org/10.1007/s13398-014-0173-7.2

Dhika, H., & Destiawati, F. (2015). Application of Data Mining Algorithm To

Recipient of Motorcycle Installment. JurnalComTech, 6(4), 569-579.

Elyana, Instianti. 2017. Decision Support System Untuk Kelayakan Pemberian Kredit Motor Dengan Menggunakan Metode Simple Additive Weighting Pada Perusahaan Leasing. ISSN: 1978-1946. Bogor: Jurnal Pilar Nusa Mandiri.Vol.13,No.1Maret2017:8591.Diambildari:ejournal.nusamandiri.a c.id/ejurnal/index.php/pilar/article/viewFile/341/27 3.(2 Oktober 2017)

Han, J.,&Kamber, M..2014. Data Mining Comcept and Tehniques. San Fransisco. Morgan Kauffman.

Hariani, Iswi. 2013. Restrukturisasi dan Penghapusan Kredit Macet. Jakarta: PT Elexmedia Komputindo.

Hermawati, Fajar Astuti. 2013. Data Mining. Andi : Yogyakarta.

KEMENKEU. 1967. Pokok-pokok Perbankan No.14. Diambil dari:

http://www.jdih.kemenkeu.go.id/fullText/1967/14TAHUN1967UU.HTM. (2 Oktober 2017).

Kusrini, dan Luthfi, Emha Taufik. 2015. Algoritma Data Mining, Edisi I, Yogyakarta:Andi Publishing.

Lee, Fiin dan Juan Santana. 2014 .Data Mining: Meramalkan Bisnis Perusahaan.

Jakarta: Elex Media Komputindo.

Linof, Gorden S & Berry, Michael J. 2013. Data Mining Techniques: For Marketing, Sales, and Customer Relationship Management. Indiana. Wiley Publishing.

Satchidananda, S S & Jay B.Simha. 2015. Comparing Decision Trees With Logistic Regression For Credit Risk Analysis (SAS APAUGC)

http://www.aisi.or.id/statistic%20(25

https://doi.org/10.1007/s13398-014-0173-7.2

http://www.jdih.kemenkeu.go.id/fullText/1967/14TAHUN1967UU.HTM.%09(2

http://www.jdih.kemenkeu.go.id/fullText/1967/14TAHUN1967UU.HTM.%09(2

81

RIWAYAT HIDUP

Penulis dilahirkan di Kota Tegal, Pada

tanggal 22 agustus 1995, Sebagai anak ke

delapan dari sepuluh bersaudara dengan

ayah bernama syaroni dan ibu bernama

tariyah.

Penulis menyelesaikan pendidikan formal

pertama kali pendidikan dasar di sd negeri 01

kedungsukun adiwerna kabupaten tegal yang

diselesaikan pada tahun 2007, kemudian melanjutkan sekolah menengah pertama

diselesaikan di Mts Nu Sunan Kalijaga Adiwerna kab.Tegal pada tahun 2010.

Penulis kemudian melanjutkan ke jenjang Sekolah Menengah Kejuruan (SMK) di

SMK Nu 1 Adiwerna kab.tegal yang diselesaikan penulis pada tahun 2013.

Pada tahun 2014 penulis terdaftar sebagai mahasiswa jurusan teknik informatika

di universitas pelita bangsa cikarang-Bekasi, selain kuliah penulis juga sambil

bekerja di perusahaan yang berada di daerah cikarang-bekasi beberapa perusahaan

yang pernah penulis bekerja diantaranya : PT.Kyowa Indonesia, PT.Yutaka

Manufacturing Indonesia, PT.Enkei Indonesia, PT.Yamaha Music Manufacturing

Asia dan PT.Musashi Auto Parts Indonesia. Selama menjadi mahasiswa beberapa

kegiatan yang dilakukan penulis antara lain: Mengikuti Seminar-seminar yang

diadakan di kampus pelita bangsa, penulis melaksanakan Kuliah Kerja Praktek

(KKP) di perusahaan PT.Yamaha Music Manufacturing Asia.

~008@ SEKOLAH TINGGI TEKNOLOGI PELITA BANGSA ~~~~

lfBAN GSA jl. Raya lnspeksi Kalimalang. Tegal Danas Cikarang Pusat, Kab. Bekasi Telp. 021-

Fax. 021-27318252, website: www.pellt.abangsa.ac , SMS Center: 0857 3282 8000

LEMBAR KENDALl BIMBINGAN SKRIPSI

NIM : }_1.!_~.1..9.? .. ~.~ ............. . FORM 1-A Nama . .. f..~.~~.~ ...... 0 .. ~Y.?.:!.OfV\ I Program Studi : Teknik Infonnatika

Pembimbmg T · M.~.H~~-~~~I./ .... M!.4.!~~ \ltJ i: f J-l"tvr} I J S • '\CoJVl . fYl. ICctvl -Pcmbimbing IT : .f?..t?..?..i.~_1:~~ ... ~.-.P.~ ........

Judul Skripsi

P~t=Oif.(SI ~t:.LA)"Af'.A"' ~{ZC:DIT ~F-NOA~AAN e>E~Me>Tof2.. P.o OA OVA DEN GAr-t ALGo~ tT Mit C.t; 5

Tanggal No

Bimbingan

6

Catatan

7 0 7 I LO rt w., I ~t.-J.,~'- rc.. [, r~ ~r1 r-~--~--+-----~-----------

8 : ~~ vo I r()J~ ~bM ~~t' ~ ~~'1\ ~(~ nu }~ 9 l!)) { w .. l C<,vv~t0 lCJl-h"' 9?w-i

{\-v l-0 f'>t !1-1 t\l

Paraf

...

{0(@000® lfB ANGSA

No

19

20

Tanggal Bimbingan

SEKOLAH TINGGI TEKNOLOGI PELITA BANGSA ~~~~

Jl. Raya lnspeksi Kahmalang. Tegal Danas Cikarang Pusat, Kab. Bekasi Telp. 021-Fax. 021-27318252, website: www.pelltabangsa,ac. , SMS Center: 0857 3282 8000

Catatan Paraf

Bekasi, ./ .. '1. .... -. .. 0 .. ':: .. ~ Pembimbing I@

...

( ......... ~~. ~6·:·'~(Jb~.:.r..~ .... ) NlDN: f?;./ .. : ...... J.~.~ .. S.

84

LAMPIRAN

Tabel 4.8 Data Keseluruhan

85


86


87


88


89


90


91

Tabel 4.15 Data Testing

92

Tabel 4.16 Data Testing (Lanjutan)

fajri agustomi - universitas pelita bangsa

Documents