Optimal tree Analisis Hasil CART
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
43
1. Aturan klasifikasi untuk terminal node 1 Jika uang muka ≤ 1.275.000, maka probabilitas calon konsumen tersebut
dierima permohonan kreditnya adalah sebesar 0.968. Adapun jumlah kasus yang terdapat pada terminal node 1 sebesar 64 data, dengan persebtase
data sebesar 8.2 dengan resiko 0.03. 2. Aturan klasifikasi untuk terminal node 2
Jika harga OTR ≤ 13.915.000, uang muka 1.275.000, dan uang muka ≤1.575.000, maka probabilitas calon konsumen tersebut diterima
permohonan kreditnya adalah sebesar 0.824. Adapun jumlah kasus yang terdapat pada terminal node 2 adalah sebesar 118 data, dengan persentase
sebesar 15.1, dan resiko kesalahan sebesar 0.1356. 3. Aturan klasifikasi untuk terminal node 3
Jika harga OT R ≤ 13.915.000, uang muka 1.575.000, dan uang muka ≤
1.950.000 maka probabilitas calon konsumen tersebut ditolak permohonan kreditnya adalah sebesar 0.3. Adapun jumlah kasus yang terdapat pada
terminal node 3 adalah sebesar 107 data, dengan persentase sebesar 13.6, dan resiko kesalahan sebesar 0.7.
4. Aturan klasifikasi untuk terminal node 4 Jika harga OTR ≤ 13.915.000 dan uang muka 1.950.000, maka
probabilitas calo konsumen tersebut diterima permohonan kreditnya adalah sebesar 0.881. Adapun jumlah kasus yang terdapat pada terminal
node 4 adalah sebesar 276 data, dengan persentase data sebesar 35.2, dan resiko kesalahan sebesar 0.119.
44
5. Aturan klasifikasi untuk terminal node 5 Jika uang muka 1.275.000, harga OTR 13.915.000, dan bunga
pinjaman ≤ 6.631.300, maka probabilitas calon konsumen tersebut ditolak permohonan kreditnya adalah sebesar 0.28. Adapun jumlah kasus yang
terdapat pada terminal node 5 adalah sebesar 177 data, dengan persentase data sebesar 22.6, dan resiko kesalahan sebesar 0.72.
6. Aturan klasifikasi untuk terminal node 6 Jika uang muka 1.275.000, harga OTR 13.915.000, dan bunga
pinjaman 6.631.300, maka probabilitas calon konsumen tersebut diterima permohonan kreditnya adalah sebesar 0.881. Adapun jumlah
kasus yang terdapat pada terminal node 6 adalah sebesar 42 data, dengan persentase data sebesar 5.4, dan resiko kesalahan sebesar 0.119.
Akan tetapi, dalam model optimum pengklasifikasian permohonan kredit konsumen yang sudah didapat diatas terdapat hal menarik yang dapat dijadikan
sedikit evaluasi untuk pihak perusahaan, yaitu belum jelasnya standar penilaian diterima atau ditolaknya sebuah permohonan kredit konsumen. Hal ini dapat
dilihat pada hasil akhir yang terdapat pada terminal node 1 dan terminal node lainnya. Pada terminal node 1 variabel yang menjadi tolak ukur klasifikasi
permohonan kredit yang diterima hanya variabel uang muka yang besarnya ≤ Rp. 1.250.000,00. Namun, pada terminal node lain, jelas terlihat bahwa selain
uang muka terdapat variabel lain yang menjadi tolak ukur pengklasifikasian permohonan kredit konsumen yakni variabel harga OTR dan variabel bunga
pinjaman.
45
Laporan kesimpulan dari model optimal tree yang diperoleh dapat dilihat pada gains cart dibawah ini :
Tabel 4.8 GAINS CHART
Node Persentase Komulatif
Kelas Terikat Persentase
Komulatif Populasi
3 23.36
13.65 5
59.12 36.22
2 70.80
51.28 4
94.89 86.48
6 98.54
91.84 1
100.00 100.00
Menurut [5] suatu model optimal tree dikatakan suatu model yang dapat mempresentasikan data awal yang digunakan jika hasil akhir persentase
komulatif kelas terikat Cum Tgt. Class lebih besar daripada persentasi komulatif dari populasinya Cum Pop. Seperti yang terlihat pada Tabel 4.8
dapat dilihat bahwa nilai Cum Tgt. Class yang didapat lebih besar daripada nilai Cum Pop
–nya kesimpulkan tersebut juga dikuatkan dengan grafik pada Gambar 4.3 di bawah. Hal ini menunjukkan bahwa model optimal tree yang
terbentuk dapat dikatakan suatu model yang dapat mempresentasikan data awal yang dipakai dalam penelitian.
Gambar 4.3 Gains CART Optimal Tree
50 100
150
1 2
3 4
5 6
Cum Tgt. Class
Cum Pop
46
Setelah mengetahui bahwa model tersebut sudah dikatakan dapat mempresentasikan data awal, selanjutnya dapat diketahui persentase
keberhasilan pengelompokan berdasarkan Tabel 4.9 berikut ini :
Tabel 4.9 Prediction Success
Variabel kelas
Jumlah Kasus
Persentase Sukses
Prediksi Kelas 1 Diterima
2Ditolak 1Diterima
647 68.62
444 203
2Ditolak 137
59.12 56
81
Total
784 63.87
Pada Tabel 4.9, persentase berhasilnya pengelompokan pada data percobaan diperlihatkan untuk masing-masing kelompok. Pada kelompok
permohonan kredit yang diterima terdapat 647 konsumen, setelah dilakukan kembali pengelompokan tersebut terdapat 444 konsumen dengan tepat
dikelompokkan ke dalam kelompok konsumen yang diterima permohonan kreditnya, sehingga persentase kesuksesan pengelompokan untuk kelompok
permohonan kredit yang diterima adalah 68.62. Begitu pula, pada kelompok permohonan kredit yang ditolak terdapat 137 konsumen, setelah dilakukan
kembali pengelompokan tersebut kesuksesan pengelompokan sebanyak 81 konsumen, sehingga persentasenya adalah 59.12. Secara keseluruhan,
kesuksesan pengelompokan yang telah dilakukan dapat dilihat pada tabel 4.10 yaitu total kesuksesan pengelompkkan yang dilakukan sebanyak 525 konsumen
dari total 784 konsumen, sehingga persentase total kesuksesan pengelompokan sebesar 63.87.
47
Setelah mengetahui akurasi pengelompokan dengan model CART metode classification tree, selanjutnya dapat diketahui urutan variabel pemisah.
Berdasarkan kontribusi yang terbesar terhadap proses pemisahan berarti memiliki peranan yang paling penting dalam pengelompokan dan sebaliknya
semakin kecil kontribusinya terhadap proses pemisahan maka memilki peranan yang kurang penting dalam proses pemisahan, dapat dilihat pada Tabel 4.10
berikut :
Tabel 4.10 Variabel Terpenting
Variabel Nilai
Uang Muka 100.00
||||||||||||||||||||||||||||||||||||||||||||||||| Harga OTR
24.04 ||||||||||
Bunga Pinjaman 21.50
|||||||| Tenor Pembayaran
6.69 ||
Kondisi Kendaraan 5.01 |
Jenis Kelamin 0.55
Pada Tabel 4.10, diperlihatkan bahwa variabel pemisah yang terpenting dalam proses pembentukan model tree adalah variabel uang muka dengan nilai
kontribusi 100. Setelah itu variabel harga OTR dan variabel bunga pinjaman yang mempunyai nilai kontribusi rata-rata sebesar 22.77. Sementara untuk
variabel tenor pembayaran dan kondisi kendaraan memiliki nilai kontribusi yang kurang dari 10. Sedangkan untuk variabel jenis kelamin mempunyai
nilai kontribusi yang kurang dari 1 yakni sebesar 0.55, berarti tidak memiliki peranan dalam pemisahan kelompok.
48