Maksimum Tree Analisis Hasil CART

36 akan menghasilkan model tree berupa classification tree dengan aturan pemisahan yang dipakai adalah Twoing splitting rule. Dalam penelitian ini maksimum tree yang dihasilkan adalah model tree yang memiliki terminal node paling banyak yaitu sebanyak 83 terminal node. Relative cost dari maksimum tree didapatkan dari hasil pengujian model dengan menggunakan test sample yang diperlihatkan pada Tabel 4.6 dibawah ini : Tabel 4.6 Misclassification untuk Test Sample pada Maksimum Tree Kelas Jumlah Kelas Jumlah Kesalahan Kelas Persentase Kesalahan Nilai Diterima 647 201 31.07 0.31 Ditolak 137 68 49.64 0.50 Total 784 269 40.35 0.405 Dari Tabel 4.6 di atas dapat dijelaskan bahwa untuk kelas approval yang diterima permohonan kreditnya dengan jumlah kasus sebanyak 647 dan jumlah kesalahan pengkelasan sebanyak 201 dan presentase kesalahan sebesar 31.07, sehingga menghasilkan resiko sebesar 0.31. Sementara untuk kelas approval yang permohonan kreditnya ditolak dengan jumlah kasus sebanyak 137 dan jumlah kesalahan pengkelasan sebanyak 68 kasus dan persentase kesalahan sebesar 49.64 menghasilkan resiko sebesar 0.50. Dengan demikian maksimum tree yang dihasilkan memiliki nilai resiko paling besar yaitu = 0.405. Adapun model maksimum tree yang dihasilkan dapat dilihat pada Lampiran I. 37 Untuk menjelaskan aturan pengklasifikasian berdasarkan model maksimum tree yang dihasilkan perlu dilakukannya pengoptimalan model tree yang didapat, berikut akan ditampilkan salah satu contoh cabang pada model maksimum tree. Gambar 4.1 Diagram Salah Satu Cabang Maksimum Tree Dengan mengikuti alur dari gambar di atas yang merupakan salah satu cabang model tree dapat dijelaskan mengenai aturan klasifikasi dari terminal node 68 sampai dengan terminal node 78, adalah sebagai berikut : 1. Aturan klasifikasi untuk terminal node 68 Jika bunga pinjaman ≤ 6.631.300, harga OTR 15.440.000, harga OTR ≤ 15.550.000, uang muka 1.275.000, dan uang muka ≤ 2.550.000, maka probabilitas calon konsumen tersebut diterima permohonan kreditnya adalah sebesar 1. Adapun jumlah kasus yang terdapat pada terminal node 68 adalah sebanyak 8 data, dengan persentase data sebesar 1 resiko sebesar 0. 38 2. Aturan klasifikasi untuk terminal node 69 Jika harga OTR 15.440.000, harga OTR ≤ 15.550.000, uang muka 2.550.000, dan ua ng muka ≤ 4.475.000, bunga pinjaman ≤ 3.917.750, maka probabilitas calon konsumen tersebut ditolak permohonan kreditnya adalah sebesar 0.56. Adapun jumlah kasus yang terdapat pada terminal node 69 adalah sebanyak 9 data, dengan persentase data sebesar 1.1 resiko sebesar 0.45. 3. Aturan klasifikasi untuk terminal node 70 Jika harga OTR 15.440.000, harga OTR ≤ 15.550.000, bunga pinjaman 3.917.750, bunga pinjaman ≤ 6.631.300, uang muka 2.550.000, dan uang muka ≤ 2.675.000 maka probabilitas calon konsumen tersebut ditolak permohonan kreditnya adalah sebesar 0.5. Adapun jumlah kasus yang terdapat pada terminal node 70 adalah sebanyak 10 data, dengan persentase data sebesar 1.3 resiko sebesar 0.5. 4. Aturan klasifikasi untuk terminal node 71 Jika harg a OTR 15.440.000, harga OTR ≤ 15.550.000, uang muka 2.675. 000, dan uang muka ≤ 4.475.000, bunga pinjaman 3.917.750, bunga pinjaman ≤ 6.214.600, maka probabilitas calon konsumen tersebut diterima permohonan kreditnya adalah sebesar 1. Adapun jumlah kasus yang terdapat pada terminal node 71 adalah sebanyak 7 data, dengan persentase data sebesar 0.9 resiko sebesar 0. 39 5. Aturan klasifikasi untuk terminal node 72 Jika harga OTR 15.440.000, harga OTR ≤ 15.550.000, uang muka 2.675. 000, dan uang muka ≤ 4.475.000, bunga pinjaman 6.214.600, bunga pinjaman ≤ 6.631.300, maka probabilitas calon konsumen tersebut ditolak permohonan kreditnya adalah sebesar 0.25. Adapun jumlah kasus yang terdapat pada terminal node 72 adalah sebanyak 4 data, dengan persentase data sebesar 0.5 resiko sebesar 0.75. 6. Aturan klasifikasi untuk terminal node 73 Jika uang muka 1.275.000, uang muka ≤ 4.475.000, harga OTR 15.550.000, dan bunga pinjaman ≤ 4.148.530, maka probabilitas calon konsumen tersebut ditolak permohonan kreditnya adalah 0.429. adapun jumlah kasus yang terdapat pada terminal node 73 adalah sebanyak 7 data, dengan persentase data sebesar 0.9, resiko sebesar 0.5714. 7. Aturan klasifikasi untuk terminal node 74 Jika uang muka 1.275.000, uang muka ≤ 4.475.000, harga OTR 15.550.000, bunga pinjaman 4.148.530, dan bunga pinjaman ≤6.631.300 maka probabilitas calon konsumen tersebut ditolak permohonan kreditnya adalah 0.833. Adapun jumlah kasus yang terdapat pada terminal node 74 adalah sebanyak 6 data, dengan persentase data sebesar 0.8, resiko sebesar 0.1667. 40 8. Aturan klasifikasi untuk terminal node 75 Jika bunga pinjaman ≤ 6.631.300, uang muka 4.475.000, harga OTR 15.440.000, dan harga OTR ≤ 18.973.000, maka probabilitas calon konsumen tersebut diterima permohonan kreditnya adalah 1. Adapun jumlah kasus yang terdapat pada terminal node 75 sebanyak 8 data, dengan persentase data sebesar 1, dan resiko sebesar 0. 9. Aturan klasifikasi untuk terminal node 76 Jika bunga pinjaman ≤ 6.631.300, uang muka 4.475.000, harga OTR 18.973.000 dan tenor pembayaran ≤ 22, maka probabilitas calon konsumen tersebut ditolak permohonan kreditnya adalah 0.332. Adapun jumlah kasus yang terdapat pada terminal node 76 sebanyak 9 data, dengan persentase data sebesar 1.1, dan resiko sebesar 0.667. 10. Aturan klasifikasi untuk terminal node 77 Jika bunga pinjaman ≤ 6.631.300, uang muka 4.475.000, harga OTR 18.973.000, tenor pembayaran 22, dan tenor pembayaran ≤ 28, maka probabilitas calon konsumen tersebut diterima permohonan kreditnya adalah 1. Adapun jumlah kasus yang terdapat pada terminal node 77 sebanyak 6 data, dengan persentase data sebesar 0.8, dan resiko sebesar 0. 11. Aturan klasifikasi untuk terminal node 78 Jika bunga pinjaman ≤ 6.631.300, uang muka 4.475.000, harga OTR 18.973.000, dan tenor pembayaran 28, maka probabilitas calon 41 konsumen tersebut ditolak permohonan kreditnya adalah 1. Adapun jumlah kasus yang terdapat pada terminal node 78 sebanyak 2 data, dengan persentase data sebesar 0.3, dan resiko sebesar 0.

4.2.2 Optimal tree

Untuk memperoleh relative cost yang paling kecil dan terminal node terbaik pada maksimum tree yang telah didapat pada pembahasan sebelumnya perlu dilakukan pengoptimalan tree dengan menggunakan prosedur cross validation. Optimal tree yang dihasilkan dalam penelitian kali ini merupakan model tree yang memiliki terminal node sebanyak 6 buah dan memilki tinggi tree 4 level. Relative cost yang didapat dalam model optimal tree didasarkan pada hasil pengujian model dengan menggunakan test sample yang diperlihatkan pada Tabel 4.7 berikut ini. Tabel 4.7 Misclassification untuk Test Sample pada Optimal Tree Kelas Jumlah Kelas Jumlah Kesalahan Kelas Persentase Kesalahan Nilai Diterima 647 301 46.52 0.47 Ditolak 137 46 33.58 0.34 Total 784 357 40.05 0.405 Dari Tabel 4.7 di atas dapat dijelaskan bahwa untuk kelas approval yang diterima permohonan kreditnya dengan jumlah kasus sebanyak 647 dan jumlah kesalahan pengkelasan sebanyak 301 dan presentase kesalahan sebesar 46.52, sehingga menghasilkan resiko sebesar 0.47. Sementara untuk kelas approval yang permohonan kreditnya ditolak dengan jumlah kasus sebanyak 42 137 dan jumlah kesalahan pengkelasan sebanyak 46 kasus dan persentase kesalahan sebesar 33.58 menghasilkan resiko sebesar 0.34. Dengan demikian optimum tree yang dihasilkan memiliki nilai resiko paling besar yaitu = 0.405. Adapun model optimal tree yang terbentuk dapat dilihat paga gambar 4.2 berikut ini. Gambar 4.2 Splitter Optimal Tree Menggunakan Twoing Splitting Rule Dengan mengikuti alur pada Gambar 4.2 diatas yang merupakan model optimal tree maka aturan klasifikasi dapat dihasilkan. Aturan klasifikasi beserta kemungkin diterima atau ditokalnya suatu permohonan kredit dari konsumen akan dibahas dari klasifikasi berdasarkan terminal node 1 sampai terminal node 6. UANG_MUKA = 1275000.00 T erminal Node 1 Class = 1 Class Cases 1 62 96.9 2 2 3.1 W = 64.00 N = 64 UANG_MUKA = 1575000.00 T erminal Node 2 Class = 1 Class Cases 1 102 86.4 2 16 13.6 W = 118.00 N = 118 UANG_MUKA 1575000.00 T erminal Node 3 Class = 2 Class Cases 1 75 70.1 2 32 29.9 W = 107.00 N = 107 UANG_MUKA = 1950000.00 Node 4 Class = 2 UANG_MUKA = 1575000.00 Class Cases 1 177 78.7 2 48 21.3 W = 225.00 N = 225 UANG_MUKA 1950000.00 T erminal Node 4 Class = 1 Class Cases 1 243 88.0 2 33 12.0 W = 276.00 N = 276 HARGA_OT R = 13915000.00 Node 3 Class = 1 UANG_MUKA = 1950000.00 Class Cases 1 420 83.8 2 81 16.2 W = 501.00 N = 501 BUNGA_PINJAMAN = 6631300.00 T erminal Node 5 Class = 2 Class Cases 1 128 72.3 2 49 27.7 W = 177.00 N = 177 BUNGA_PINJAMAN 6631300.00 T erminal Node 6 Class = 1 Class Cases 1 37 88.1 2 5 11.9 W = 42.00 N = 42 HARGA_OT R 13915000.00 Node 5 Class = 2 BUNGA_PINJAMAN = 6631300.00 Class Cases 1 165 75.3 2 54 24.7 W = 219.00 N = 219 UANG_MUKA 1275000.00 Node 2 Class = 2 HARGA_OT R = 13915000.00 Class Cases 1 585 81.3 2 135 18.8 W = 720.00 N = 720 Node 1 Class = 1 UANG_MUKA = 1275000.00 Class Cases 1 647 82.5 2 137 17.5 W = 784.00 N = 784