commit to user 32
2.2 Kerangka Pemikiran
Dengan mengacu pada tinjauan pustaka di atas dapat disusun suatu kerangka pemikiran yang mendasari penulisan skripsi ini. Dalam CART variabel dependen
dapat bertipe kategorik nominal atau ordinal dan bertipe kontinu atau numerik interval atau rasio, untuk variabel dependen yang bertipe kategorik nominal atau
ordinal digunakan CART yang menghasilkan classification trees pohon klasifikasi, dan
dengan pohon
klasifikasi tersebut
dapat mengklasifikasikan
atau mengelompokkan data nasabah AJB Bumiputera 1912 Surakarta sehingga dapat
dicari pola status nasabah dalam pengambilan keputusan untuk menentukan calon nasabah di masa yang akan datang.
commit to user 33
BAB III METODE PENELITIAN
3.1 Sumber Data
Dalam penelitian ini, data yang digunakan adalah data sekunder yang diambil dar
i data “Polis Lapse” periode 1 Januari 2010 – 1 Desember 2010 dari perusahaan asuransi AJB Bumiputera 1912 Surakarta Kantor Cabang Solo Gladag. Penelitian
pada skripsi ini menggunakan data sebanyak 742 dengan variabel dependennya adalah nasabah dengan kategori status pembayaran tidak lancar dan lancar, sedangkan
variabel independennya yaitu jenis kelamin, cara bayar, jangka waktu asuransi, premi dasar, penghasilan, status, mata uang dan macam asuransi.
Berdasarkan data yang diperoleh, dilakukan pembuatan pohon klasifikasi dengan algoritma CART menggunakan bantuan Software Salford Predictive Miner
CART Pro Ex 6.0. Pada pohon klasifikasi, data nasabah dengan status pembayaran lancar dan tidak lancar dibagi menjadi dua kelompok data yaitu data learning dan
data testing. Karena tidak ada aturan khusus mengenai pembagian proporsi antara data learning dan data testing maka pada penelitian ini dilakukan tiga kombinasi
proporsi data learning dan data testing yaitu: 1 pembagian data learning dan data testing dengan proporsi data learning data testing 70: 30, 2 pembagian data
learning dan data testing dengan proporsi data learning = data testing 50 : 50, 3 pembagian data learning dan data testing dengan proporsi data learning data
testing 40 : 60. Masing-masing kombinasi data dihitung ketepatan klasifikasi untuk data
testing. Selanjutnya dipilih satu kombinasi proporsi data learning dan data testing yang memiliki ketepatan klasifikasi data testing terbesar untuk analisis selanjutnya.
Ketepatan klasifikasi pada data testing dijadikan dasar karena dapat menggambarkan kebaikan model pohon klasifikasi yang dibentuk untuk mengklasifikasikan data baru.