Klasifikasi dengan Metode QUEST

165 macet. Kelompok-kelompok yang terbentuk tersebut akan digunakan oleh Adira Kredit Elektronik Cabang Denpasar sebagai acuan untuk menentukan sasaran utama pemasaran dengan mempertimbangkan status kredit. Dengan penentuan kelompok sasaran kredit yang tepat, diharapkan risiko kredit macet bisa diminimalkan. Adanya kesamaan karakteristik dari metode QUEST dan CHAID yaitu dapat diterapkan pada data variabel kategorik dan dalam pemilihan variabel penyekat menggunakan uji khi-kuadrat. Sehingga penulis tertarik untuk melakukan penelitian dengan metode QUEST dan CHAID yang akan diterapkan pada data nasabah Adira Kredit Elektronik Cabang Denpasar. Penelitian ini membandingkan hasil klasifikasi dari kedua metode tersebut untuk dapat dijadikan bahan analisis perusahaan dalam menentukan calon nasabah pada masa yang akan datang.

2. METODE PENELITIAN

Penelitian ini mengambil data nasabah Adira Kredit Elektronik Cabang Denpasar sebagai study kasus. Data diperoleh dari hasil pengisian formulir aplikasi permohonan kredit nasabah Adira Kredit Elektronik Cabang Denpasar yang sebelumnya sudah pernah mengajukan kredit dan melakukan pengajuan kembali pada bulan September sampai dengan Oktober 2014. Adapun Variabel yang digunakan dalam penelitian ini berupa variabel kategori yaitu meliputi status kredit , jenis kelamin , status pernikahan , jenis pekerjaan , dan status tempat tinggal , pendidikan terakhir , jabatan nasabah , lama angsuran , dan pendapatan per bulan . Langkah-langkah yang dilakukan dalam metode penelitian ini adalah: 1. Mengumpulkan dan menyeleksi data. 2. Meringkas dan menyajikan data. 3. Pembentukan pohon klasifikasi. 4. Menginterpretasi hasil klasifikasi. 5. Perbandingan persentase kesalahan klasifikasi.

3. HASIL DAN PEMBAHASAN

3.1. Klasifikasi dengan Metode QUEST

Gambar 1 menunjukkan bahwa dari 626 sampel yang diteliti, hasil yang didapatkan adalah nasabah dengan status lancar sebanyak 550 orang 87,9 dan nasabah dengan status macet sebanyak 76 orang 12,1. Variabel pendapatan per bulan adalah variabel prediktor yang paling signifikan, sehingga variabel tersebut dipilih sebagai variabel penyekat. Variabel pendapatan per bulan disekat menjadi 2 simpul, yaitu simpul ke-1 dengan kategori nasabah yang memiliki pendapatan per bulan Rp2.000.000 dan Rp2.000.000-Rp5.000.000 menjadi satu simpul, dan simpul ke-2 dengan kategori nasabah yang memiliki pendapatan per bulan Rp5.000.000 menjadi satu simpul. Pada simpul ke-1 proses penyekatan dilanjutkan dan menjadi simpul dalam, karena variabel status tempat tinggal merupakan variabel prediktor kedua yang signifikan untuk membagi kategori pada simpul ke-1. Sementara pada simpul ke-2 proses penyekatan dihentikan karena semua kasus yang terdapat di dalam simpul memiliki nilai- nilai identik untuk tiap variabel prediktor, sehingga simpul ke-2 menjadi simpul akhir. Variabel status tempat tinggal disekat menjadi 2 simpul, yaitu simpul ke-3 dengan kategori nasabah yang status tempat tinggal milik mertua, kontrak, dan kos menjadi satu kelompok, dan simpul ke-4 dengan kategori nasabah yang status tempat tinggal milik sendiri, keluarga, orang tua, dan perusahaan menjadi satu kelompok. Pada simpul ke-3 dan simpul ke-4 proses penyekatan dihentikan karena semua kasus yang terdapat di dalam simpul ke-3 dan simpul ke-4 memiliki nilai-nilai identik untuk tiap variabel prediktor, sehingga simpul ke-3 dan simpul ke-4 menjadi simpul akhir. Dengan demikian, analisis dengan metode QUEST menghasilkan tiga simpul akhir. 166 Gambar 1. Diagram Pohon Klasifikasi QUEST untuk Data Nasabah Hasil metode QUEST berdasarkan Gambar 1 mendapatkan 3 kelompok, yang diringkas dalam Tabel 1 dan Tabel 2 berikut: Tabel 1. Hasil Klasifikasi Dari Diagram Pohon QUEST Kelompok 1 Nasabah yang memiliki pendapatan per bulan Rp2.000.000 dan Rp2.000.000-Rp5.000.000 dengan status tempat tinggal milik mertua, kontrak, dan kos. Kelompok 2 Nasabah yang memiliki pendapatan per bulan Rp2.000.000 dan Rp2.000.000-Rp5.000.000 dengan status tempat tinggal milik sendiri, keluarga, orang tua. Kelompok 3 Nasabah dengan pendapatan per bulan Rp5.000.000. Tabel 2. Status Kredit Nasabah Pada Setiap Kelompok Kelompok Lancar Macet Prediksi status kredit N N 1 173 75,9 55 24,1 Lancar 2 174 92,1 15 7,9 Lancar 3 203 97,1 6 2,9 Lancar Sumber: Data diolah, 2015

3.2. Klasifikasi dengan Metode CHAID