Hipotesis H Hipotesis H

Langkah 3 : menyederhanakan aturan 1. Menyederhanakan aturan dengan menghilangkan anteseden yang tidak perlu Aturan yang perlu disederhanakan adalah aturan yang memiliki anteseden lebih dari satu yaitu aturan nomor 3 sampai dengan nomor 5 yang melibatkan anteseden kekayaan dan tabungan. Pada tahap ini, tabel Chi-Square digunakan untuk melakukan uji hipotesis. Data yang ada telah dikalikan dengan nilai lima 5 agar data dapat digunakan pada uji tabel Chi-Square dan diasumsikan nilai tingkat kepercayaannya α sebesar 0.05.

a. Hipotesis H

o : kekayaan dan resiko kredit independen 1 Membuat tabel kotingensi Tabel 2.6 Tabel Kotingensi Untuk Kekayaan Resiko kredit Baik Resiko kredit Buruk Jumlah Marjinal Tinggi 10 0 10 Sedang 15 5 20 Rendah 0 10 10 Jumlah Marjinal 25 15 40 2 Nilai Frekuensi Harapan e ij Selanjutnya menggunakan rumus 2.4.3 untuk menghitung nilai frekuensi harapan tiap sel, yaitu : Frekuensi harapan pada sel X 11 : e 11 = 40 25 10 × = 6.25 Frekuensi harapan pada sel X 12 : e 12 = 40 15 10 × = 3.75 Frekuensi harapan pada sel X 21 : e 21 = 40 25 20 × = 12.5 Frekuensi harapan pada sel X 22 : e 22 = 40 15 20 × = 7.5 Frekuensi harapan pada sel X 31 : e 31 = 40 25 10 × = 6.25 Frekuensi harapan pada sel X 32 : e 32 = 40 15 10 × = 3.75 Berikut ini merupakan tabel nilai frekuensi harapan dari penghitungan di atas : Tabel 2.7 Tabel Nilai Frekuensi Harapan Untuk Kekayaan Resiko kredit Baik Resiko kredit Buruk Tinggi 6.25 3.75 Sedang 12.5 7.5 Rendah 6.25 3.75 3 Nilai 2 χ Untuk menghitung nilai 2 χ digunakan rumus 2.4.4, berikut penghitunggannya : 2 χ = 2 ∑ ∑ − baris i kolom j ij ij ij e e o 2 χ = 75 . 3 75 . 3 10 25 . 6 25 . 6 5 . 7 5 . 7 5 5 . 12 5 . 12 15 75 . 3 75 . 3 25 . 6 25 . 6 10 2 2 2 2 2 2 − + − + − + − + − + − 2 χ = 2.25 + 3.75 + 0.5 + 0.833 + 6.25 + 10.417 2 χ = 23.99967 4 Nilai derajat kebebasan Nilai ini dihitung dengan menggunakan rumus 2.4.5, yaitu : dk = baris - 1kolom - 1 = 3 - 12 - 1 = 2 5 Nilai α χ 2 Nilai α χ 2 pada tabel Chi-Square dengan derajat kebebasan 2 adalah 5.991. 6 Kesimpulan : Karena nilai 2 χ α χ 2 , maka hipotesis nol independensi H o ditolak dan H 1 diterima yang berarti kekayaan dan resiko kredit tidak independen. Maka anteseden kekayaan tidak dapat dieliminasi. PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

b. Hipotesis H

o : tabungan dan resiko kredit independen 1 Membuat tabel kotingensi Tabel 2.8 Tabel Kotingensi Untuk Tabungan Resiko kredit Baik Resiko kredit Buruk Jumlah Marjinal Tinggi 5 5 10 Sedang 15 0 15 Rendah 5 10 15 Jumlah Marjinal 25 15 40 2 Nilai Frekuensi Harapan e ij Selanjutnya menggunakan rumus 2.4.3 untuk menghitung nilai frekuensi harapan tiap sel, yaitu : Frekuensi harapan pada sel X 11 : e 11 = 40 25 10 × = 6.25 Frekuensi harapan pada sel X 12 : e 12 = 40 15 10 × = 3.75 Frekuensi harapan pada sel X 21 : e 21 = 40 25 15 × = 9.75 Frekuensi harapan pada sel X 22 : e 22 = 40 15 15 × = 5.625 Frekuensi harapan pada sel X 31 : e 31 = 40 25 15 × = 9.75 Frekuensi harapan pada sel X 32 : e 32 = 40 15 15 × = 5.625 Berikut ini merupakan tabel nilai frekuensi harapan dari penghitungan di atas : Tabel 2.9 Tabel Nilai Frekuensi Harapan Untuk Tabungan Resiko kredit Baik Resiko kredit Buruk Tinggi 6.25 3.75 Sedang 9.75 5.625 Rendah 9.75 5.625 3 Nilai 2 χ Untuk menghitung nilai 2 χ digunakan rumus 2.4.4, berikut penghitunggannya : 2 χ = 2 ∑ ∑ − baris i kolom j ij ij ij e e o 2 χ = 625 . 5 625 . 5 10 75 . 9 75 . 9 5 625 . 5 625 . 5 75 . 9 75 . 9 15 75 . 3 75 . 3 5 25 . 6 25 . 6 5 2 2 2 2 2 2 − + − + − + − + − + − 2 χ = 0.25 + 0.4167 + 2.827 + 5.625 + 2.314 + 3.403 2 χ = 14.835 4 Nilai derajat kebebasan Nilai ini dihitung dengan menggunakan rumus 2.4.5, yaitu : dk = baris - 1kolom - 1 = 3 - 12 - 1 = 2 5 Nilai α χ 2 Nilai α χ 2 pada tabel Chi-Square dengan derajat kebebasan 2 adalah 5.991. 6 Kesimpulan : Karena nilai 2 χ α χ 2 , maka hipotesis nol independensi H o ditolak dan H 1 diterima yang berarti tabungan dan resiko kredit tidak independen. Maka anteseden tabungan tidak dapat dieliminasi dan aturan klasifikasi masih tetap seperti pada tabel 2.7. 2. Menyederhanakan aturan dengan membuang aturan Setelah menyederhanakan aturan dengan menggunakan langkah pertama, maka dilanjutkan dengan mencari konsekuen yang paling banyak. Pada aturan diatas konsekuen yang paling banyak berjumlah 3, yaitu Baik. Ketiga aturan ini dijadikan default aturan, sehingga aturan-aturan tersebut menjadi : Tabel 2.10 Aturan Yang Paling Sederhana Aturan If Then 1 Kekayaan = Rendah Buruk 2 Kekayaan = Sedang Tabungan = Tinggi Buruk Default Aturan Baik PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI Langkah 4 : hasil prediksi himpunan data pelatihan Tabel 2.11 Hasil Prediksi Nasabah Tabungan Kekayaan Pendapatan 1000s Resiko kredit Prediksi 1 Sedang Tinggi 75 Baik Baik 2 Rendah Rendah 50 Buruk Buruk 3 Tinggi Sedang 25 Buruk Buruk 4 Sedang Sedang 50 Baik Baik 5 Rendah Sedang 100 Baik Baik 6 Tinggi Tinggi 25 Baik Baik 7 Rendah Rendah 25 Buruk Buruk 8 Sedang Sedang 75 Baik Baik Dari hasil prediksi pada data pelatihan di atas tidak ditemukan adanya kesalahan prediksi, sehingga persentase keberhasilan prediksi adalah 100 . PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 40

BAB III PERANCANGAN SISTEM

Dokumen yang terkait

Pengenalan pola klasifikasi status registrasi calon mahasiswa baru Universitas Sanata Dharma dengan algoritma Reduct Based Decision Tree (RDT).

1 5 153

Mahasiswa Baru Sedang Mendaftar.

0 0 1

Sistem Penjadwalan Dinamis Mahasiswa Baru Menggunakan Algoritma Genetika (Studi Kasus: Registrasi Ulang Mahasiswa Baru Universitas Sumatera Utara)

0 0 11

MANAJEMEN WAKTU MAHASISWA TERHADAP KURIK

0 1 17

Pencarian karakteristik calon mahasiswa baru Universitas Sanata Dharma yang tidak mendaftar ulang dengan menggunakan algoritma pohon - USD Repository

0 0 123

Analisis faktor-faktor yang mempengaruhi keputusan peminat untuk memilih Universitas Sanata Dharma Yogyakarta dan bukan universitas Katolik yang lain : studi kasus pada calon mahasiswa baru angkatan 2008 Universitas Sanata Dharma Yogyakarta - USD Reposito

0 0 134

Klasifikasi Data Penerimaan Mahasiswa Baru dan Prestasi akademik mahasiswa Jurusan Teknik Informatika Universitas Sanata Dharma dengan menggunakan algoritma naive bayesian - USD Repository

0 1 145

Pencarian pola klasifikasi mahasiswa yang tidak memenuhi sisip program berdasarkan nilai tes masuk penerimaan mahasiswa baru dan latar belakang mahasiswa Universitas Sanata Dharma dengan menggunakan algoritma C4.5 - USD Repository

0 0 175

Prediksi calon mahasiswa baru Universitas Sanata Dharma yang tidak mendaftar ulang menggunakan algoritma Naive Bayessian - USD Repository

0 0 119

Pengenalan pola klasifikasi status registrasi calon mahasiswa baru Universitas Sanata Dharma dengan algoritma Reduct Based Decision Tree (RDT) - USD Repository

0 1 151