Identifikasi Kolektibilitas Kredit Menggunakan Decision Tree

IDENTIFIKASI KOLEKTIBILITAS KREDIT
MENGGUNAKAN DECISION TREE

NURUL AZIZAH

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013

IDENTIFIKASI KOLEKTIBILITAS KREDIT
MENGGUNAKAN DECISION TREE

NURUL AZIZAH

Skripsi
Sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer pada
Program Studi Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013

ABSTRAK
NURUL AZIZAH. Identifikasi Kolektibilitas Kredit menggunakan Decision Tree. Dibimbing oleh
SRI NURDIATI.
Kredit merupakan perjanjian pinjam meminjam uang, bank sebagai kreditur dan nasabah
sebagai debitur. Tujuan dari penelitian ini adalah untuk memprediksi tingkat kolektibilitas kredit
menggunakan metode decision tree yang berbasis web. Variabel yang digunakan untuk penelitian ini
diantaranya jenis kelamin, jenis pinjaman, pokok pinjaman, tujuan, jangka waktu, kode penggunaan,
kolektibilitas, jaminan, angsuran bulanan, dan tanggal bayar bulanan. Dalam penelitian ini digunakan
data yang terbagi dalam 3000 data latih dan 699 data uji. Dengan menggunakan metode decision tree
J48, pelatihan data yang diproses untuk menghasilkan model identifikasi. Model kemudian diuji
dengan menggunakan 699 pengujian data. Hasilnya menunjukkan bahwa hanya 597 data uji yang
dapat diidentifikasi dengan benar. Oleh karena itu, keakuratan model mencapai 85%.

Kata kunci: decision tree, kolektibilitas, kredit.

ABSTRACT
NURUL AZIZAH. Credit Collectibility Identification using Decision Tree. Supervised by SRI
NURDIATI.
Credit is a loan agreement to borrow money, in which the bank as a creditor and a debtor as the
client. The purpose of this study is to predict the level of collectibility of loans using the web-based
decision tree. The variables used for this study include gender, type of loan, the principal amount,
purpose, time, code usage, collectability, collateral, monthly installments and monthly pay date. In
this research the data used are divided into 3000 training data and 699 testing data. By using J48
decision tree method, the data training was processed to produce the identification model. The model
was then tested using 699 testing data. The result showed that 597 data could be identified correctly.
Hence the accuracy of the model was 85%.

Keyword :collectibility, decision tree,loans.

Penguji :1 Hari Agung, S. Si, M. Si
2 Aziz Kustiyo, S. Si, M. Kom

JudulSkripsi
Nama

NIM

:Identifikasi Ko e;.",... ＬＮ［ｵ
: N urnl Azizah

ｾ＠

Kredir 1enggunakan Decision Tree

: 064086054

Disetujui oleh:

Pembimbing

I
, lr, Sri Nurdiati M.Sc
196011261986012001

Diketahui oleh:

Tanggal Lulus:

J2ｾ l\

{..U \ j

Judul Skripsi
Nama
NIM

: Identifikasi Kolektibilitas Kredit Menggunakan Decision Tree
: Nurul Azizah
: G64086054

Disetujui oleh:

Pembimbing

Dr. Ir. Sri Nurdiati, M. Sc

NIP 19601126 1986012 001

Diketahui oleh:
Ketua Departemen Ilmu Komputer

Dr. Ir. Agus Buono, M. Si, M. Kom
NIP. 19660702 199302 1 001

Tanggal Lulus:

RIWAYAT HIDUP
Penulis dilahirkan di Bogor pada Tanggal 18 April 1988 dari orangtua yang bernama Dastam
Supriatna dan Atik Rohyati. Penulis merupakan anak kedua dari empat bersaudara. Pada tahun 2005,
penulis lulus dari SMA Insan Kamil Bogor. Pada tahun yang sama penulis melanjutkan ke Perguruan
Tinggi Negeri Diploma 3 IPB Teknik Komputer melalui jalur Penelusuran Minat dan Bakat (PMDK).
Penulis lulus pada tahun 2008. Pada bulan November 2008, penulis melanjutkan ke pendidikan S1 di
IPB untuk Program Studi Ilmu Komputer, Departemen Ilmu Komputer, Fakultas Matematika dan
Ilmu Pengetahuan Alam. Pada saat penelitian ini dilaksanakan, penulis bekerja di PT. BPR Mitra
Daya Mandiri Bogor.

PRAKATA
Assalamualaikum warahmatullahi wabarakatuh
Terimakasih penulis panjatkan kepada Allah Subhanahuwata’ala atas segala karunia-Nya,
sehingga penulis dapat menyelesaikan karya ilmiah ini. Pada kesempatan ini, penulis mengucapkan
terima kasih kepada semua yang telah memberikan bantuan dan dukungannya sehingga laporan ini
dapat terselesaikan.
1 Kedua orangtua dan keluarga atas semua bantuan, semangat, perhatian, doa, dan dukungannya
selama ini yang diberikan sehingga penulis dapat menyelesaikan studi di Departemen Ilmu
Komputer, IPB.
2 Untuk suami dan anakku tercinta atas semua perhatian, kasih sayang, doa dan dukungannya.
3 Ibu Dr. Ir. Sri Nurdiati M. Sc selaku dosen pembimbing yang selalu sabar membimbing dan
mendukung selama penelitian dan penyusunan skripsi ini.
4 Bapak Hari Agung, S. Si, M. Si dan Bapak Aziz Kustiyo, S. Si, M. Kom selaku dosen penguji.
5 Resti, Sigit, Ryan Sapta Nopa, dan Bang Njup yang telah banyak membantu selama penelitian dan
penyusunan skripsi.
6 Teman-teman satu bimbingan Resti, Eva, Lufe, dan Fifi yang selalu membantu dan mendukung.
7 Teman-teman Alih Jenis Ilkom angkatan 3 atas kebersamaan, persahabatan, bantuan, dan
semangatnya.
8 Direksi dan semua orang yang berada di PT. BPR Mitra Daya Mandiri yang selalu membantu dan
mendukung dalam skripsi ini.

9 Semua pihak yang tidak dapat penulis sebutkan satu persatu yang telah membantu
terselesaikannya karya ilmiah ini.
Semoga penelitian ini dapat bermanfaat bagi pihak yang membutuhkan. Penulis menyadari
bahwa tulisan ini masih memiliki kekurangan dan masih kurang dari sempurna, karena itu penulis
memohon maaf atas segala kekurangannya.
Terimakasih.
Wassalamualaikum warahmatullahi wabarakatuh

Bogor, Januari 2013

Nurul Azizah

DAFTAR ISI
Halaman
DAFTAR TABEL ................................................................................................................................. vi
DAFTAR GAMBAR ............................................................................................................................. vi
DAFTAR LAMPIRAN .......................................................................................................................... vi
PENDAHULUAN .................................................................................................................................. 1
Latar Belakang ................................................................................................................................... 1
Tujuan Penelitian ................................................................................................................................ 1

Ruang Lingkup ................................................................................................................................... 1
Manfaat............................................................................................................................................... 2
TINJAUAN PUSTAKA ......................................................................................................................... 2
Data Preprocessing ............................................................................................................................ 2
Kredit.................................................................................................................................................. 2
Tingkat Kolektibilitas ......................................................................................................................... 3
BPR .................................................................................................................................................... 4
Klasifikasi........................................................................................................................................... 4
Decision Tree ..................................................................................................................................... 4
Entropy dan Gain ............................................................................................................................... 4
WEKA ................................................................................................................................................ 5
METODE PENELITIAN ....................................................................................................................... 5
Identifikasi Masalah ........................................................................................................................... 5
Pengumpulan Data ............................................................................................................................. 5
Praproses Data .................................................................................................................................... 6
Penentuan Data Latih dan Data Uji .................................................................................................... 6
Implementasi Sistem .......................................................................................................................... 6
Proses Identifikasi .............................................................................................................................. 6
Spesifikasi Implementasi .................................................................................................................... 6
HASIL DAN PEMBAHASAN............................................................................................................... 6

Deskripsi Data .................................................................................................................................... 6
Praproses Data .................................................................................................................................... 7
Penentuan Data Latih dan Data Uji .................................................................................................... 8
Implementasi Sistem .......................................................................................................................... 8
Proses Identifikasi .............................................................................................................................. 9
KESIMPULAN DAN SARAN............................................................................................................. 10
Kesimpulan....................................................................................................................................... 10
Saran ................................................................................................................................................. 11
DAFTAR PUSTAKA ........................................................................................................................... 11
LAMPIRAN ......................................................................................................................................... 12

v

DAFTAR TABEL
Halaman
1 Variabel jenis kelamin ...................................................................................................................... 7
2 Variabel jenis pinjaman .................................................................................................................... 7
3 Variabel pokok pinjaman .................................................................................................................. 7
4 Variabel jangka waktu ...................................................................................................................... 7
5 Variabel kode penggunaan ................................................................................................................ 8

6 Variabel jaminan .............................................................................................................................. 8
7 Variabel angsuran bulanan ................................................................................................................ 8
8 Variabel tanggal bayar tiap bulan ..................................................................................................... 8
9 Variabel kolektibilitas ....................................................................................................................... 8
10 Confusion matriks ............................................................................................................................ 10

DAFTAR GAMBAR
Halaman
1 Metodologi ........................................................................................................................................... 5
2 Tampilan pembangkitan tree ............................................................................................................... 9
3 Tampilan pengujian tree ...................................................................................................................... 9
4 Tampilan tentang aplikasi .................................................................................................................... 9
5 Pohon keputusan ............................................................................................................................... 10

DAFTAR LAMPIRAN
Halaman
1 Data nasabah sebelum praproses ....................................................................................................... 13
2 Contoh data latih ................................................................................................................................ 15
3 Contoh data uji .................................................................................................................................. 16
4 Hasil identifikasi tingkat kolektibilitas .............................................................................................. 17

5 Pembangkitan tree.............................................................................................................................. 46
6 Pengujian tree .................................................................................................................................... 47
7 Tentang aplikasi ................................................................................................................................. 47
8 Pohon keputusan dari WEKA decision tree J48 ................................................................................ 48

vi

1

PENDAHULUAN
Latar Belakang
Kredit merupakan perjanjian pinjam
meminjam uang antara bank sebagai kreditur
dan nasabah sebagai debitur. Pada zaman
sekarang pemberian kredit di Indonesia
banyak mengalami perkembangan. Salah satu
badan usaha yang memberikan kredit ialah
Bank Perkreditan Rakyat (BPR). BPR
merupakan salah satu jenis bank yang
melayani golongan pengusaha mikro, kecil,
dan menengah. BPR umumnya terletak
dengan
tempat
masyarakat
yang
membutuhkan. BPR merupakan lembaga
perbankan resmi yang diatur berdasarkan
Undang-Undang No. 7 tahun 1992 tentang
Perbankan dan sebagaimana telah diubah
dengan Undang-undang No. 10 tahun 1998.
Dalam undang-undang tersebut secara jelas
disebutkan bahwa ada dua jenis bank, yaitu
Bank Umum dan BPR.
Perkembangan kredit memperlihatkan
bahwa BPR ikut serta dalam memberikan
kredit sebagai upaya memberikan modal pada
sektor usaha mikro. Hal ini mengindikasikan
bahwa salah satu alasan perkembangan BPR
sangat dipengaruhi oleh perkembangan usaha
mikro, kecil dan menengah (UMKM) yang
keberadaannya semakin lama semakin banyak
tumbuh dan berkembang di tengah-tengah
masyarakat. Hal ini dapat dimengerti karena
pangsa pasar utama dari BPR adalah
masyarakat menengah bawah. Oleh karena itu,
status kredit atau yang biasa disebut dengan
tingkat kolektibilitas dapat digolongkan ke
dalam 5 golongan. Berdasarkan Surat
Keputusan Direksi Bank Indonesia No.
30/267/KEP/DIR, Tanggal 27 Februari 1998
tentang kualitas produktif dan pembentukan
cadangan, ditetapkan 5 tingkat kolektibilitas
yaitu ”Lancar”, ”Perhatian Khusus”, ”Kurang
Lancar”, ”Diragukan”, dan ”Macet”.
Penelitian
ini
dilakukan
untuk
mengidentifikasi tingkat kolektibilitas kredit
yang mengambil data dari BPR di daerah
Bogor yaitu PT. BPR Mitra Daya Mandiri
yang beralamat di Jalan Raya Tajur No. 185.
Data yang diambil hanya pada tahun 20082012 dan nasabah yang bertempat tinggal di
wilayah Bogor sehingga terdapat 3699 data
yang digunakan. Dari data tersebut terdapat 14
variabel diantaranya nama, alamat, jenis
kelamin, kecamatan, kota, jenis pinjaman,
pokok pinjaman, tujuan, jangka waktu, kode
penggunaan, kolektibilitas, jaminan, angsuran
bulanan, tanggal bayar bulanan, tetapi variabel

yang digunakan untuk penelitian ini
diantaranya jenis kelamin, jenis pinjaman,
pokok pinjaman, tujuan, jangka waktu, kode
penggunaan, kolektibilitas, jaminan, angsuran
bulanan, dan tanggal bayar bulanan.
Penelitian sebelumnya yang dilakukan
oleh Fitriyani (2012) yang dilakukan terhadap
data publikasi RW Kumuh DKI Jakarta Tahun
2008 menghasilkan tingkat akurasi sebesar
88%. Sinuhaji (2012) pada data varietas ubi
jalar menghasilkan tingkat akurasi sebesar
95%, yang keduanya menggunakan metode
decision tree. Oleh sebab itu, penelitian ini
juga menggunakan decision tree J48 yang
diharapkan dapat menghasilkan nilai akurasi
yang baik dalam mengidentifikasi tingkat
kolektibilitas kredit.
Decision tree akan menghasilkan tree
yang
memperlihatkan
variabel
yang
memengaruhi
tingkat
kolektibilitas
berdasarkan data. Sistem dibuat berbasis web
sehingga memudahkan pengguna dalam
menjalankan aplikasi kredit ini tanpa
memasang dikomputer lokal dan pengguna
dapat mengakses data yang dibutuhkan. Dari
sistem tersebut akan dapat diketahui tingkat
kolektibilitasnya berdasarkan data yang
dimasukkan, sehingga pihak BPR dalam
penanganan
kredit
bermasalah
dapat
melakukan beberapa penanganan berdasarkan
tingkat kolektibitasnya, diantaranya dapat
diselesaikan
secara
yudisial
melalui
penjadwalan (rescheduling), persyaratan
(reconditioning), dan penataan (restrusturing).
Penanganan dapat melalui salah satu cara
ataupun gabungan dari ketiga cara tersebut
tergantung dengan tingkat kolektibilitasnya.
Apabila setelah cara tersebut telah ditempuh
dan tetap tidak ada kemajuan penanganan,
selanjutnya diselesaikan secara yudisial
melalui jalur pengadilan.
Tujuan Penelitian
Tujuan dari penelitian ini ialah
memprediksi tingkat kolektibilitas kredit
menggunakan metode decision tree yang
berbasis web.
Ruang Lingkup
Ruang lingkup penelitian ini meliputi:
1 Data yang digunakan dalam penelitian
ini adalah data dari kredit di PT. BPR
Mitra Daya Mandiri Bogor.
2 Terdapat 5 tingkat kolektibilitas dari
3699 data dengan 9 variabel yang
digunakan untuk mengidentifikasi
tingkat kolektibilitas.

2

Manfaat
Penelitian
ini
diharapkan
dapat
mengidentifikasi tingkat kolektibilitas dan
memudahkan pihak BPR dalam penanganan
yang dapat diambil berdasarkan tingkat
kolektibilitasnya.

TINJAUAN PUSTAKA
Data Preprocessing
Menurut Tan (2008), terdapat 7 cara
melakukan data preprocessing, yaitu:
1 Aggregation
2 Sampling
3 Dimensionality Reduction
4 Feature Subset Selection
5 Feature Creation
6 Discretization and Binarization
7 Variabel Transformation
Terdapat 2 feature Subset Selection, yaitu
redundant feature dan irrelevant features.
a Redundant features
- Menduplikasi banyak atau semua
informasi yang terkandung dalam
satu atau lebih atribut lainnya,
- Contoh: harga pembelian produk dan
jumlah pajak penjualan yang dibayar.
b Irrelevant features
- Tidak mengandung informasi yang
berguna,
- Contoh: Idsiswa sering tidak relevan
dengan tugas memprediksi IPK siswa.
Kredit
Dalam bahasa Latin, kredit disebut
“creder” yang artinya percaya, yaitu
kepercayaan dari kreditur bahwa debiturnya
akan mengembalikan pinjaman beserta
bunganya sesuai dengan perjanjian kedua
belah pihak (Kasmir 2005). Pengertian kredit
menurut Undang-undang Perbankan No. 10
Tahun 1998 adalah penyediaan uang atau
tagihan yang dapat dipersamakan dengan itu
berdasarkan persetujuan atau kesepakatan
pinjam-meminjam antara bank dan pihak lain
yang mewajibkan pihak peminjam untuk
melunasi utangnya setelah jangka waktu
tertentu dengan jumlah bunga imbalan atau
pembagian hasil keuntungan.
Jenis-jenis kredit yang disalurkan oleh
bank dapat dilihat dari berbagai segi, yaitu:
 Berdasarkan Tujuan
1 Kredit Konsumtif (KK)
KK adalah kredit tidak produktif yang
digunakan untuk kebutuhan sendiri

bersama keluarganya, seperti kredit
rumah.
2 Kredit Modal Kerja atau Kredit
Perdagangan (KMK)
KMK adalah kredit produktif yang
dipergunakan untuk menambah modal
usaha debitur.
3 Kredit Investasi (KI)
KI adalah kredit untuk investasi
produktif dalam jangka waktu relatif
lama, misalnya untuk perkebunan
kelapa sawit.
 Berdasarkan Jangka Waktu
1 Kredit Jangka Pendek
Kredit jangka pendek adalah kredit
dengan jangka waktu paling lama satu
tahun.
2 Kredit Jangka Menengah
Kredit jangka menengah adalah kredit
dengan jangka waktu antara satu
hingga tiga tahun.
3 Kredit JangkaPanjang
Kredit jangka panjang adalah kredit
dengan jangka waktu lebih dari tiga
tahun.
 Berdasarkan Macamnya
1 Kredit Aksep
Kredit aksep adalah kredit yang
diberikan bank yang hakekatnya hanya
merupakan pinjaman uang biasa.
2 Kredit Penjual
Kredit penjual adalah kredit yang
diberikan penjual kepada pembeli,
dengan arti barang telah diterima
pembayaran kemudian.
3 Kredit Pembeli
Kredit pembeli adalah pembayaran
telah dilakukan kepada penjual tetapi
barang diterima belakangan atau
pembelian dengan uang muka.
 Berdasarkan Sektor Perekonomian
1 Kredit Pertanian
Kredit pertanian adalah kredit yang
diberikan
kepada
perkebunan,
perikanan, dan peternakan.
2 Kredit Perindustrian
Kredit perindustrian adalah kredit yang
disalurkan kepada industri kecil,
menengah, dan besar.
3 Kredit Pertambangan
Kredit pertambangan adalah kredit
yang disalurkan kepada beraneka
macam pertambangan.
4 Kredit Ekspor-Impor
Kredit ekspor-impor adalah kredit yang
diberikan kepada eksportir dan atau
importir beraneka barang.

3

5 Kredit Koperasi
Kredit koperasi adalah kredit yang
diberikan kepada jenis-jenis koperasi.
6 Kredit Profesi
Kredit profesi adalah kredit yang
diberikan untuk beraneka macam
profesi.
7 Kredit Perumahan
Kredit perumahan adalah kredit untuk
membiayai
pembangunan
atau
pembelian rumah.
 Berdasarkan Agunan/Jaminan
1 Kredit Agunan Orang
Kredit agunan orang adalah kredit yang
diberikan dengan jaminan seseorang
terhadap debitur bersangkutan.
2 Kredit Agunan Efek
Kredit agunan efek adalah kredit yang
diberikan dengan agunan efek-efek dan
surat-surat berharga.
3 Kredit Agunan Barang
Kredit agunan barang adalah kredit
yang diberikan dengan agunan barang
tetap, barang bergerak, dan logam
mulia.
4 Kredit Agunan Dokumen
Kredit agunan dokumen adalah kredit
yang diberikan dengan agunan
dokumen transaksi.
 Berdasarkan Golongan Ekonomi
1 Golongan Ekonomi Lemah
Golongan ekonomi lemah adalah kredit
yang disalurkan kepada pengusaha
golongan ekonomi lemah.
2 Golongan Ekonomi Menengah dan
Konglomerat
Golongan ekonomi menengah dan
konglomerat adalah kredit yang
diberikan kepada pengusaha menengah
dan besar.
 Berdasarkan Penarikan dan Pelunasan
1 Kredit Perdagangan
Kredit perdagangan adalah kredit yang
dapat ditarik dan dilunasi setiap saat,
besarnya sesuai dengan kebutuhan.
2 Kredit Berjangka
Kredit berjangka adalah kredit yang
penarikannya sekaligus (Kasmir 2005).
Tingkat Kolektibilitas
Menurut ketentuan Bank Indonesia yang
dikutip oleh Kasmir (2010), Rivai (2009),
serta Dendawijaya (2005) berdasarkan surat
keputusan direksi bank Indonesia No.
30/267/KEP/DIR, Tanggal 27 Februari 1998
tentang kualitas produktif dan pembentukan
cadangan, ditetapkan tingkat kolektibilitas ada
5 yaitu ”Lancar”, ”Perhatian Khusus”,

”Kurang Lancar”, ”Diragukan”, dan ”Macet”.
Kriteria dari tiap tingkat tersebut ialah:
1 Kredit digolongkan sebagai kredit
”Lancar” (Pass)
apabila memenuhi
kriteria berikut:
a Pembayaran angsuran pokok dan/atau
bunga tepat waktu,
b Memiliki mutasi rekening yang aktif,
c Bagian dari kredit yang dijamin dengan
agunan tunai (cash collateral),
d Kredit tanpa angsuran atau kredit
rekening koran yaitu kredit belum jatuh
tempo, dan tidak terdapat tunggakan
bunga.
2 Kredit digolongkan sebagai kredit dalam
“Perhatian Khusus” (Special Mention)
apabila memenuhi kriteria berikut:
a Terdapat tunggakan angsuran pokok
dan/atau bunga yang belum melampaui
90 (Sembilan Puluh) hari atau belum
melampaui 3 bulan,
b Mutasi rekening relatif aktif,
c Jarang terjadi pelanggaran terhadap
kontrak yang diperjanjikan,
d Didukung oleh pinjaman baru,
e Dokumen pinjaman lemah
3 Kredit digolongkan sebagai kredit
“Kurang Lancar” (Sub Standar) apabila
memenuhi kriteria berikut:
a Terdapat tunggakan angsuran pokok
dan/atau bunga yang telah melampaui
90 (sembilan puluh) hari,
b Mutasi rekening relatif rendah,
c Terjadi pelanggaran terhadap kontrak
yang diperjanjikan lebih dari 90
(sembilan puluh ) hari,
d Terdapat likuiditasi masalah keuangan
yang dihadapi debitur,
e Dokumentasi pinjaman lemah.
4 Kredit digolongkan sebagai kredit
“Diragukan”
(Doubtful)
apabila
memenuhi kriteria berikut:
a Terdapat tunggakan angsuran dan/atau
bunga yang telah melampaui 180
(seratus delapan puluh) hari,
b Dokumentasi hukum yang lemah baik
untuk perjanjian kredit maupun
peningkatan jaminan.
5 Kredit digolongkan sebagai kredit
“Macet” (Loss) apabila memenuhi kriteria
berikut:
a Terdapat tunggakan angsuran pokok
dan/atau bunga yang telah melampaui
270 (dua ratus tujuh puluh) hari,
b Kerugian operasional ditutup dengan
pinjaman baru,

4

c Dari segi hukum maupun kondisi
pasar, jaminan tidak dapat dicairkan
pada nilai wajar.
BPR
BPR adalah salah satu jenis bank yang
dikenal melayani golongan pengusaha mikro,
kecil dan menengah dengan lokasi yang pada
umumnya dekat dengan tempat masyarakat
yang membutuhkan.
BPR merupakan lembaga perbankan resmi
yang diatur berdasarkan Undang-Undang No.
7 tahun 1992 tentang Perbankan dan
sebagaimana telah diubah dengan UndangUndang No. 10 tahun 1998. Dalam undangundang tersebut secara jelas disebutkan bahwa
ada dua jenis bank, yaitu Bank Umum dan
BPR.
Fungsi BPR tidak hanya sekedar
menyalurkan kredit kepada para pengusaha
mikro, kecil dan menengah, tetapi juga
menerima simpanan dari masyarakat. Dalam
penyaluran
kredit
kepada
masyarakat
menggunakan prinsip 3T, yaitu Tepat Waktu,
Tepat Jumlah, Tepat Sasaran, karena proses
kreditnya yang relatif cepat, persyaratan lebih
sederhana, dan sangat mengerti akan
kebutuhan nasabah.
Klasifikasi
Klasifikasi
adalah
proses
untuk
menemukan model atau fungsi yang
membedakan kelas data dengan tujuan untuk
dapat memperkirakan kelas dari suatu objek
yang labelnya tidak diketahui. Pelabelan objek
dilakukan berdasarkan kesamaan karakteristik
antara sekumpulan objek (training set) dengan
objek baru tersebut. Classification juga
dikenal sebagai supervised learning karena
pelatihan objek digunakan sebagai acuan
dalam melakukan klasifikasi.
Secara umum, proses klasifikasi dapat
dilakukan dalam dua tahap, yaitu proses
belajar dari data pelatihan dan klasifikasi
kasus baru. Pada proses belajar, algoritma
klasifikasi mengolah data pelatihan untuk
menghasilkan sebuah model. Setelah model
diuji dan dapat diterima, pada tahap
klasifikasi, model tersebut digunakan untuk
memprediksi kelas dari kasus baru untuk
membantu proses pengambilan keputusan
(Han dan Kamber 2001; Quinlan1993).
Beberapa metode klasifikasi, di antaranya
adalah pohon keputusan, Bayesian, KNN dan
jaringan saraf tiruan.

Decision Tree
Decision Tree adalah suatu flowchart
seperti struktur pohon yang setiap titik
internalnya (internal node) menunjukkan
suatu test pada suatu atribut. Setiap cabang
(branch) merepresentasikan hasil dari test
tersebut, dan leaf node menunjukkan kelaskelas atau distribusi. Node yang paling atas
adalah root node (Han dan Kamber 2001).
Pada decision tree terdapat 3 node, yaitu
(Alpaydin 2004):
a Root Node
Root node merupakan node paling atas,
tidak ada input dan tidak memunyai output
atau memunyai output lebih dari satu.
b Internal Node
Internal
node
merupakan
node
percabangan, input hanya satu, tetapi
memunyai output minimal dua.
c Leaf Node
Leaf node merupakan node akhir, hanya
terdapat satu input dan tidak memunyai
output.
Entropy dan Gain
Entropy merupakan jumlah bit yang
diperkirakan
dibutuhkan
untuk
dapat
mengekstrak suatu kelas dari sejumlah data
acak pada ruang sehingga menghasilkan nilai
informasi dari suatu kumpulan ciri (Mitchell
1997).
Entropi dihitung dengan menggunakan
formula (Mitchell 1997):
n

ntr py S
i

pi g pi

Keterangan:
 S adalah ruang (data) percobaan yang
digunakan untuk training/data latih
 Pi adalah proporsi dari Si terhadap S
 n adalah jumlah partisi S
Entropi (S) sama dengan 0, jika semua
contoh pada S berada dalam kelas yang sama.
Entropi (S) sama dengan 1 jika jumlah contoh
positif dan negatif dalam S adalah sama.
Entropi (S) lebih dari 0, tetapi kurang dari 1
jika jumlah contoh positif dan negatif dalam S
tidak sama.
Information Gain adalah algoritme yang
menggunakan sebuah pengukuran dasar
entropy sebagai heuristik untuk memilih
atribut terbaik dalam memisahkan sampelsampel ke dalam kelas-kelas individu.
Pengukuran information gain digunakan
untuk memilih tes atribut di setiap titik dalam

5

pohon. Atribut dengan information gain
tertinggi (atau pengurangan entropy terbaik)
dipilih sebagai tes atribut untuk titik yang
sedang diukur.
Gain dihitung dengan menggunakan
formula berikut (Mitchell 1997):
ain S,

ntr py S -

S
a ues( ) S

menentukan tingkat kolektibitas. Tujuan
penelitian ini adalah mencari tree dan
rule/aturan terlebih dahulu berdasarkan data
yang ada, setelah itu diimplementasikan ke
dalam sistem.

ntr py (S )

Mulai

Keterangan:
a A adalah atribut
b S adalah himpunan kasus
c |Si| adalah jumlah kasus pada partisi
ke- i
d |S| adalah jumlah kasus dalam S
Term pertama dalam perhitungan diatas
adalah entropy total S dan term kedua adalah
entropy sesudah dilakukan pemisahan data
berdasarkan atribut A.
Nilai entropi terkecil atau nilai Gain
terbesar yang dipilih untuk menentukan node
awal dan perhitungan entropi dilakukan terusmenerus sampai iterasi selesai.
WEKA
Waikato Environment for Knowledge
Analysis (WEKA) adalah suatu perangkat
lunak pembelajaran mesin yang populer
ditulis dengan Java, yang dikembangkan di
Universitas
Waikato.
WEKA
adalah
perangkat lunak gratis yang tersedia di bawah
General Public License (GNU). Pada WEKA
menyediakan penggunaan teknik klasifikasi
menggunakan pohon keputusan dengan
algoritme J48. Teknik klasifikasi dan
algoritma yang digunakan di WEKA disebut
classifier (Bouckaert 2013).

METODE PENELITIAN
Tahapan penelitian mencakup identifikasi
masalah, pengumpulan data yang dibutuhkan,
pengolahan data, pemilihan data latih dan data
uji, proses klasifikasi dan pengujian. Tahapan
penelitian dapat dilihat pada Gambar 1.
Identifikasi Masalah
Tahapan awal yang dilakukan adalah tahap
identifikasi masalah. Tahapan terdiri atas
masalah yang ada dan penentuan tujuan
sistem. Masalah yang ada adalah mencari
variable yang dapat memengaruhi tingkat
kolektibilitas,
menentukan
tingkat
kolektibilitas berdasarkan data kredit dengan
berbagai variabel kredit yang ada, sehingga
dibutuhkan
sistem
identifikasi
untuk

Identifikasi Masalah

Pengumpulan Data

Praproses Data

Pembagian Data Uji
dan Data Latih

Data Latih

Data Uji

Implementasi Sistem

Proses Identifikasi

Selesai

Gambar 1 Metodologi.

Permasalahan yang dibahas dalam
penelitian ini adalah:
a Mencari dari data yang ada, variabel mana
yang mempengaruhi tingkat kolektibilitas,
b Membangun aplikasi web yang menjadi
akhir dari penelitian.
Pengumpulan Data
Data yang digunakan pada penelitian ini
adalah data kredit yang diambil dari aplikasi
ISBS di BPR Mitra Daya Mandiri dan datanya
disimpan dalam bentuk Excel. Data kredit
sebelumnya terdapat 14 variabel yang terdiri
atas nama, alamat, jenis kelamin, kecamatan,
kota, jenis pinjaman, pokok pinjaman, tujuan,
jangka
waktu,
kode
penggunaan,
kolektibilitas, jaminan, angsuran per bulan,
dan tanggal bayar, namun yang digunakan

6

pada penelitian ini hanya 9 variabel yang
diharapkan dapat mewakili variabel yang lain.
Hasilnya
dari
sistem
ini
akan
mengeluarkan 5 tingkat kolektibilitas. Jumlah
keseluruhan data yang digunakan 3699,
menjadi data latih 3000 data dan yang lainnya
digunakan untuk data uji.
Praproses Data
Data kredit yang diambil dari aplikasi
ISBS dan sudah disimpan dalam bentuk
Excel, karena datanya banyak yang diperoleh
dari tahun 2006 sampai 2012 kemudian data
difilter berdasarkan tahunnya dari tahun 20082012, selain itu karena BPR berada di wilayah
Jawa Barat terlalu banyak maka dataya
dipersempit hanya untuk yang bertempat
tinggal di daerah Bogor.
Berikut variabel yang tidak digunakan
untuk penelitian ini:
1 Variabel nama tidak digunakan karena
banyak kemungkinan nama orang banyak
yang sama.
2 Variabel alamat tidak digunakan karena
banyak nasabah yang memiliki lebih dari 1
alamat.
3 Variabel kecamatan tidak digunakan
karena nama kecamatan banyak walaupun
data yang digunakan hanya daerah Bogor.
4 Variabel kota tidak digunakan karena di
daerah Kabupaten Bogor dan Kota Bogor.
5 Variabel tujuan tidak digunakan karena
sudah
dilabelkan
dengan
kode
penggunaan.
Variabel yang digunakan adalah:
1 Jenis kelamin yang menyatakan apakah
dengan jenis kelamin dapat mempengaruhi
tentang kredit,
2 Jenis
pinjaman
yang
menyatakan
kepentingan dari kreditnya.
3 Pokok pinjaman yang menyatakan berapa
besar seseorang nasabah meminjam kredit,
4 Jangka waktu yang menyatakan berapa
lama waktu untuk nasabah melunasi
kreditnya,
5 Kode penggunaan yang menyatakan tujuan
dari penggunaan kreditnya,
6 Jaminan yang menyatakan sebagai agunan
sebelum nasabah melunasi,
7 Angsuran bulanan yang menyatakan
berapa jumlah yang harus dibayarkan
nasabah setiap bulannya,
8 Tanggal bayar tiap bulan yang menyatakan
tanggal berapa nasabah membayar
kreditnya tiap bulan, dan
9 Tingkat kolektibilitas yang menyatakan
kemampuan
nasabah
dalam
hal

pembayaran apakah lancar, perhatian
khusus, kurang lancar, diragukan, dan
macet.
Data diproses menggunakan representasi
pohon keputusan (decision tree) dengan
metode J48.
Penentuan Data Latih dan Data Uji
Jumlah keseluruhan data adalah 3699,
yang digunakan untuk data latih sebanyak
3000 data, sedangkan yang lainnya digunakan
sebagai data uji.
Implementasi Sistem
Setelah tree nya diketahui kemudian
tahapan selanjutnya membuat sistem berbasis
web yang digunakan untuk menghasilkan
keluaran tingkat kolektibilitas berdasarkan
variabel yang diinputkan.
Proses Identifikasi
Pada tahap ini dilakukan pencocokan
apakah data uji dengan model pengenalan
akan menghasilkan hasil yang sesuai dengan
data yang ada atau tidak berdasarkan tingkat
kolektibilitasnya. Selanjutnya akan dilakukan
perhitungan
akurasi
untuk
proses
dokumentasi. Tingkat akurasi dihitung dengan
cara:
u ah Data yang enar
kurasi
Data Pengu ian
Spesifikasi Implementasi
Aplikasi yang digunakan pada penelitian
ini dibangun dengan menggunakan perangkat
keras dan perangkat lunak dengan spesifikasi
sebagai berikut:
Spesifikasi perangkat keras berupa:
Intel Core2 Duo prosesor 1,83GHz
Memori DDR2 2,5 GB
Harddisk 160 GB
Monitor
Keyboard dan Mouse
-

Perangkat lunak berupa :
Sistem Operasi : Microsoft Windows
XP
XAMPP yang terdiri atas WebServer
Bahasa Pemrograman: PHP
Browser: Mozilla Firefox
Adobe Dreamweaver
WEKA 3.6.4

HASIL DAN PEMBAHASAN
Deskripsi Data
Data yang digunakan pada penelitian ini
diambil dari aplikasi PT. BPR Mitra Daya

7

Mandiri yaitu ISBS. ISBS ini merupakan
aplikasi yang digunakan untuk semua
transaksi di BPR tersebut. Pada penelitian ini
diambil hanya data kredit saja, tahun 20082012 dan hanya nasabah yang beralamat di
daerah Bogor. Data tersebut disimpan dalam
bentuk Excel.
Praproses Data
Tahapan praproses data merupakan
tahapan data yang harus dipersiapkan sebelum
ke tahapan klasifikasi. Variabel yang
digunakan ada 9 variabel.
Data yang sudah difilter berdasarkan tahun
dan tempat tinggal nasabah yang di daerah
Bogor, kemudian data yang numerik diubah
ke bentuk nominal (proses di WEKA . arff :
@relation
'data
latihweka.filters.unsupervised.attribute.NumericTo
Nominal-Rfirst-last') seperti pada variabel
jenis kelamin, jenis pinjaman, kode
penggunaan, serta untuk jaminan, dan untuk
beberapa variabel tertentu dibuat range nilai
tertentu. Berikut kesembilan variabelnya:
a Jenis Kelamin
Jenis kelamin (Tabel 1) merupakan salah
satu variabel yang diambil untuk
mengetahui apakah dari jenis kelamin
dapat mempengaruhi kredit atau tidak.
Tabel 1 Variabel jenis kelamin
Jenis Kelamin
Kode
L
P

1
2

b Jenis Pinjaman
Jenis pinjaman (Tabel 2) merupakan jenis
kredit berdasarkan tujuan menurut
Perbankan, tetapi dalam penelitian ini
terdapat 2 tambahan jenis kredit yaitu
demand loan dan motor loan.
Tabel 2 Variabel jenis pinjaman
Jenis Pinjaman
Kode
DEMAND LOAN
1
KI
2
KK
3
KMK
4
MOTOR LOAN
5
Keterangan:
Demand loan

=

kredit yang dicairkan
bertahap,
debitur
membayar bunga saja
kecuali sudah jatuh
tempo, debitur harus

membayar bunga dan
pokoknya juga.
Motor loan = kredit motor, dimana nasabah
membeli motor ke showroom
atau dealer dengan membayar
uang mukanya terlebih dahulu,
kekurangannya
BPR
yang
melunasi ke showroom, nasabah
kredit membayarnya tiap bulan
ke BPR, sebagai jaminan BPKB
motornya digunakan sebagai
agunan
hingga
nasabah
melunasi ke BPR kreditnya.
c Pokok Pinjaman
Pokok pinjaman (Tabel 3) merupakan
jumlah seseorang meminjam. Data
pinjaman yang ada pada penelitian ini
berkisar antara
Rp 325.000 – Rp
145.000.000, sehingga datanya dipecah
menjadi 3.
Dapat dilihat pada Tabel 3.
Tabel 3 Variabel pokok pinjaman
Pokok Pinjaman
Kode
1-50.000.000
1
50.000.001-100.000.000

2

10.0000.001-150.000.000

3

d Jangka Waktu
Jangka waktu (Tabel 4) merupakan
seberapa lama waktu yang dibutuhkan
nasabah untuk melunasi kreditnya. Jika
jangka waktu menurut Undang-undang
Perbankan dibagi menjadi 3, Pada
penelitian ini data untuk jangka waktu
berkisar antara 1 bulan hingga 96 bulan.
Sehingga data yang digunakan pada
penelitian ini dipecah menjadi 4. Dapat
dilihat pada Tabel 4.
Tabel 4 Variabel jangka waktu
Jangka Waktu
Kode
1-24

1

25-48

2

49-72

3

73-96

4

8

Tanggal bayar tiap bulan (Tabel 8)
merupakan tanggal jatuh tempo, jika lebih
dari tanggal yang sudah ditentukan untuk
membayar angsuran maka akan dikenakan
denda. Pada penelitian ini dibagi menjadi
3. Dapat dilihat pada Tabel 8.

e Kode Penggunaan
Kode penggunaan (Tabel 5) merupakan
pensimbolan dari tujuan penggunaannya.
Tabel 5 Variabel kode penggunaan
Kode Penggunaan
Kode
10
1
11
2
20
3
39
4
Keterangan:
10
= Untuk tujuan modal usaha
11
= Untuk tujuan pengerjaan proyek
dan pembangunan proyek
20
= Untuk tujuan investasi
39
= Untuk tujuan multiguna, biaya
pendidikan, renovasi rumah

Tabel 8 Variabel tanggal bayar tiap bulan
Tanggal Bayar Tiap Bulan
Kode

Jaminan
Jaminan (Tabel 6) merupakan barang yang
dapat dijaminkan selama kredit belum
dilunasi.
Dapat dilihat pada Tabel 6.
Tabel 6 Variabel jaminan
Jaminan
Kode
KTA & Mikro
1
Ijasah/SK/Jamsostek
2
Deposito, Tabungan
3
AJB/Sertifikat/Akta
4
BPKB
5
Keterangan:
KTA & Mikro merupakan Kredit Tanpa
Agunan.
g Angsuran Bulanan
Angsuran bulanan (Tabel 7) merupakan
jumlah uang yang harus disetorkan setiap
bulan. Pada penelitian ini data yang ada
berkisar antara Rp 95.000 hingga Rp
7.424.800, sehingga data untuk penelitian
ini dipecah menjadi 5. Dapat dilihat pada
Tabel 7.
Tabel 7 Variabel angsuran bulanan
Angsuran Bulanan
Kode
1-1.600.000

1

1.600.001-3.200.000

2

3.200.001-4.800.000

3

4.800.001-6.400.000

4

6.400.001-8.000.000

5

h Tanggal Bayar Tiap Bulan

1

13-24

2

25-31

3

Tanggal bayar tiap bulan dibagi menjadi 3,
dikarenakan pada tanggal 1-12 umumnya pada
nasabah yang pegawai negeri pada awal
bulan, dan 25-31 umumnya pada nasabah
swasta pada akhir bulan.
i

f

1-12

Kolektibilitas
Kolektibilitas (Tabel 9) menurut Bank
Indonesia ada 5 (lima), dapat dilihat pada
Tabel 9.
Tabel 9 Variabel kolektibilitas
Tingkat Kolektibilitas Kode
Lancar
1
Perhatian Khusus
2
Kurang Lancar
3
Diragukan
4
Macet
5

Data diproses dengan menggunakan teknik
representasi pohon keputusan (decision tree).
Pohon
keputusan
terbentuk
dengan
menghitung nilai entropy.
Penentuan Data Latih dan Data Uji
Data
dari
aplikasi
ISBS
yang
menampilkan data kredit nasabah dapat dilihat
pada Lampiran 1. Jumlah data yang digunakan
sebanyak 3699, yang menjadi data latih
sebanyak 3000 data dan sisanya menjadi data
uji. Dapat dilihat pada Lampiran 2 yang
menampilkan data latih dan Lampiran 3
menampilkan data ujinya.
Implementasi Sistem
Setelah data diolah menggunakan WEKA
dan sudah menghasilkan pohon keputusan,
kemudian diimplementasikan ke sistemnya
yang berbasis web. Berikut merupakan
tampilan webnya dapat dilihat pada Gambar 2.
Untuk gambar yang lebih jelasnya dapat
dilihat pada Lampiran 5.

9

else if
($data['pokok_pinjaman'] == '2'){
if($data['jenis_kelamin'] == '1')
return 2;
else
return 1;
}
else
return 1;
}
else
return 1;
}
else if($data['jaminan'] == '3') {
return 1;
}
else if($data['jaminan'] == '4') {
return 1;
}
else if($data['jaminan'] == '5') {
if($data['jenis_pinjaman']

Gambar 2 Tampilan pembangkitan tree.
== '1')

Pada halaman PEMBANGKITAN TREE
sistem ini menampilkan pohon keputusan,
rule/aturan dan evaluasi dari WEKA, dapat
dilihat pada Gambar 3. Untuk gambar yang
lebih jelasnya dapat dilihat pada Lampiran 6.

return 1;
else
if($data['jenis_pinjaman'] == '2')
return 2;
else
if($data['jenis_pinjaman'] == '3')
return 1;
else
if($data['jenis_pinjaman'] == '5')
return 5;
else
if($data['jenis_pinjaman'] == '4'){
if($data['tgl_bayar'] == '1')
return 2;
else
return 1;
}
}
}

Pada halaman TENTANG APLIKASI
sistem ini menampilkan mengenai data yang
digunakan, dapat dilihat pada Gambar 4.
Untuk gambar yang lebih jelasnya dapat
dilihat pada Lampiran 7.
Gambar 3 Tampilan pengujian tree.
Pada halaman PENGUJIAN TREE sistem
ini menampilkan form isian data kredit
nasabah dan setelah submit di tekan akan
menampilkan nasabah tersebut termasuk ke
dalam tingkat kolektibilitas mana. Berikut
fungsi yang dilakukan sistem untuk
mengidentifikasi dari data.
function get_klasifikasi($data){
if($data['jaminan'] == '1') {
if($data['tgl_bayar'] ==
'1')
return 2;
else
return 3;
}
else if($data['jaminan'] == '2') {
if($data['tgl_bayar'] ==
'1') {
if($data['pokok_pinjaman'] == '1')
return 1;

Gambar 4 Tampilan tentang aplikasi.

Proses Identifikasi
Data yang sudah siap selanjutnya
menggunakan WEKA untuk mendapatkan
pohon keputusannya. Dapat dilihat pada
Gambar 5 merupakan tampilan treenya. Untuk
gambar yang lebih jelasnya dapat dilihat pada
Lampiran 8.

10

Tabel 10 disajikan confusion matrix dari
WEKA.

Kelas Asal

Tabel 10 Confusion matriks
Kelas Prediksi

Gambar 5 Pohon keputusan.
Selain menampilkan dalam bentuk tree
nya dihasilkan pula rule/aturannya. Berikut
merupakan rule/aturan yang diperoleh:
JAMINAN = 1
| TGL_BAYAR_BULANAN = 1: 2
| TGL_BAYAR_BULANAN = 2: 3
| TGL_BAYAR_BULANAN = 3: 3
JAMINAN = 2
| TGL_BAYAR_BULANAN = 1
| | POKOK_PINJAMAN = 1: 1
| | POKOK_PINJAMAN = 2
| | | JENIS_KELAMIN = 1: 2
| | | JENIS_KELAMIN = 2: 1
| | POKOK_PINJAMAN = 3: 1
| TGL_BAYAR_BULANAN = 2: 1
| TGL_BAYAR_BULANAN = 3: 1
JAMINAN = 3: 1
JAMINAN = 4: 1
JAMINAN = 5
| jenis pinjaman = 1: 1
| jenis pinjaman = 2: 1
| jenis pinjaman = 3: 1
| jenis pinjaman = 4
| | TGL_BAYAR_BULANAN = 1: 2
| | TGL_BAYAR_BULANAN = 2: 1
| | TGL_BAYAR_BULANAN = 3: 1
| jenis pinjaman = 5: 5
Data latih yang sudah diproses di WEKA
dan sudah diketahui tree dan rule/aturannya,
selanjutnya diujikan terhadap data ujinya.
Jumlah dari data uji yang benar sebanyak 597,
dan data yang salah sebanyak 102. Dapat
dilihat pada Lampiran 4 yang menampilkan
hasil Identifikasi Tingkat Kolektibilitas.
Confusion matrix adalah salah satu alat
ukur berbentuk matriks yang digunakan untuk
menetapkan jumlah penempatan klasifikasi
pada proses menggunakan WEKA J48. Pada

1

2

3

4

5

1

579

26

2

0

0

2

66

19

0

0

0

3

0

0

0

0

0

4

0

0

0

0

0

5

0

7

0

0

0

Dari Tabel 10 dapat dilihat dari kesalahan
prediksi yang seharusnya masuk kedalam
kelas 1 (kolektibilitas=lancar) sebanyak 26
data tetapi diprediksi sebagai kelas 2
(kolektibilitas=Perhatian Khusus). Kesalahan
prediksi data dilihat dari rule yang terbentuk
untuk data kredit ini terjadi karena data untuk
jaminannya ijasah/SK/jamsostek, tanggal
bayar bulanan 1-12, pokok pinjamannya
50.000.001-100.000.000,
tetapi
yang
mengakibatkan kesalahan prediksi ini pada
variabel jenis kelamin, yang seharusnya jenis
kelaminnya laki-laki tetapi dari data jenis
kelaminnya perempuan. Pada prediksi kelas 2
(kolektibilitas=Perhatian Khusus) ada 66 data
yang salah prediksi, hal ini disebabkan
diantaranya
karena
untuk
jaminan
ijasah/SK/jamsostek,
tanggal
bayar
bulanannya
1-12,
seharusnya
pokok
pinjamanya 50.000.001-100.000.000 tetapi
datanya pokok pinjamannya berkisar antara 150.000.000.
Pada prediksi kelas 5
(kolektibilitas=macet) ada 7 kesalahan
prediksi yang masuk kedalam kelas 2
(kolektibilitas=perhatian khusus), hal ini
disebabkan karena seharusnya jaminannya
BPKB tetapi dari data hanya jaminannya
KTA&mikro, selain itu jika jaminannya
BPKB jenis pinjamannya seharusnya motor
loan tetapi dari data hanya jenis pinjaman
kredit modal kerja (KMK).

KESIMPULAN DAN SARAN
Kesimpulan
Dari penelitian yang dilakukan untuk
mengidentifikasi
tingkat
kolektibilitas
terhadap data kredit PT. BPR Mitra Daya
Mandiri dengan decision tree, diperoleh

11

kesimpulan bahwa akurasi yang didapat untuk
mengidentifikasi sebesar 85%.
Rule/aturan yang dihasilkan WEKA pada
sistem ini berdasarkan jumlah dan pemilihan
data uji yang dapat mempengaruhi hasil
klasifikasi.
Hasil identifikasi yang diproses WEKA
dari data hanya berpengaruh untuk yang
tingkat kolektibilitasnya lancer berdasarkan
dari rule/aturan , untuk tingkat kolektibilitas
yang lain sistem ini kurang baik dalam
mengidentifikasi, dapat dilihat dari tree yang
terbentuk untuk jaminan BPKB dan jenis
pinjamannya motor loan maka akan
kemungkinan kreditnya macet.
Variabel yang utama mempengaruhi
tingkat kolektibilitas yaitu jaminan, karena
semakin besar nilai jaminannya maka semakin
cepat nasabah ingin melunasi kreditnya.
Saran
Untuk pengembangan yang selanjutnya
perlu ditambahkan variabel lain untuk
mengidentifikasi tingkat kolektibitas sehingga
menghasilkan nilai akurasi yang lebih baik.

DAFTAR PUSTAKA
Alpaydin, Ethem. 2004. Introduction to
Machine Learning. United States of
America. The MIT Press.
Bouckaert, Remcoet al. 2013. Weka Manual
for Version 3-7-8. The University of
Waikato
Te
Wahre
Wananga
Waikato[internet]. [diunduh 2013 Jun
20].
Tersedia
pada:
http://www.gnu.org/licenses/gpl-3.0standalone.html.
Dendawijaya, Lukman. 2005. Manajemen
Perbankan. Ed Ke-2. Ghalia Indonesia:
Jakarta.
Fitriyani. 2012. Klasifikasi Pemukiman
Kumuh di Wilayah DKI Jakarta
menggunakan Decision Tree [skripsi].
Bogor: Fakultas Matematika dan Ilmu
Pengetahuan Alam, Institut Pertanian
Bogor.
Han J, Kamber M. 2001. Data Mining
Concepts & techniques. USA: Academic
Press.
Kasmir. 2005. Pemasaran Bank. Jakarta:
Prenada Media.
Kasmir. 2010. Pengantar Manajemen
Keuangan. Edke-1. Jakarta: Kencana.
Mitchell, Tom M. 1997. Machine Learning.
United States of America: McGraw-Hill.

Quinlan JR. 1993. C.45: Programs for
Machine Learning. San Francisco: Morgan
Kaufmann Publisher.
Rivai, Veithzal. 2009. Manajemen Sumber
Daya Manusia Untuk Perusahaan.
Jakarta: Rajawali Pers.
Sinuhaji. 2012. Identifikasi Varietas Ubi Jalar
menggunakan Metode Decision Tree J48
[skripsi]. Bogor: Fakultas Matematika dan
Ilmu
Pengetahuan Alam, Institut
Pertanian Bogor.
Tan, Pang-Ning. 2008. Introduction to Data
Mining. Addison Wesley.

LAMPIRAN

12

Lampiran 1 Data nasabah sebelum praproses

NAMA

a
b
c
d
e
f
g
h
i
j
k
l
m

ALAMAT

KP CITEKO RT 003/003
JL BABAKAN RAYA NO 83
RT 01/01
BABAKAN TARIKOLOT
RT 001/005
KP BABAKAN TUMAS RT
05/04
PONDOK KENCANA
PERMAI BLOK C 76 RT
003/013
LALADON GEDE RT.05/04
KP SADENG PASAR RT
004/003
BOJONG DEPOK BARU II
BLOK CC RT 007/013
KP CITARINGGUL RT
003/003
KP BABAKAN JAM-JAM
RT 004/001
BOJONG DEPOK BARU II
BLOK CC RT 007/013
KP SUKAASIH RT 003/002
PERUM BDB III BLOK MD
NO 16 RT 006/018

n
o
p

JNS_K
LMN

1
2
1
1

CISARUA
DRAMAGA
CIBINONG
SUKARAJA

1
CIOMAS
1
1
2
2
1
2
2
2
1

KP CIBEBER IV RT.001/002
TMN PAGELARA BLOK
B13 RT 004/012
KP PONDOK BUJANG RT

KECAMAT
AN

1
1

CIOMAS
LEUWISADE
NG
CIBINONG
BABAKAN
MADANG
CIAWI
CIBINONG
LEUWILIAN
G
CIBINONG
LEUWILIAN
G
CIOMAS
LEUWISADE

KOT
A

kab
bogor
kab
bogor
kab
bogor
kab
bogor
kab
bogor
kab
bogor
kab
bogor
kab
bogor
kab
bogor
kab
bogor
kab
bogor
kab
bogor
kab
bogor
kab
bogor
kab
bogor
kab

JNS_P
NJMN

PK_PNJM
N

KI

3,000,000

KI

8,000,000

KI

30,000,000

KI

13,025,000

KI

12,000,000

KI

30,000,000

KI

8,000,000

KI

45,000,000

KI

5,350,000

KI

10,000,000

KI

20,600,000

KI

25,000,000

KI

9,060,000

KI

10,000,000

KI
KI

30,000,000
15,000,000

TUJUAN

PENAMBAHAN
PEMBELIAN TANAH
RENOVASI TEMPAT
KOS
PEMBELIAN TANAH
PEMBELIAN
KENDARAAN
PEMBELIAN
KOMPUTER
PERLUASAN KOLAM
IKAN

JNGK_
WKT

24
24
24
24

KD_PG
NAAN

20
20
20
20

K
O
L

JAMIN
AN

ANGS_B
LN

TGL_B
YR_BL
N

2

BPKB

187,000

28

2

SHM

498,200

3

1

SHM

1,788,000

18

2

BPKB

797,000

16

2

BPKB

748,000

5

1

SHM

1,408,500

23

2

AJB

499,000

12

1

BPKB

2,000,000

25

2

BPKB

406,000

17

1

AJB

753,000

27

1

BPKB

1,191,000

1

1

SHM

1,360,000

15

1

SHM

463,500

3

2

AJB

602,000

7

1
2

SHM
AKTA

1,409,000
902,000

12
22

20
24
36

PEMBELIAN TANAH
PEMBELIAN
ANGKOT

24

PEMBELIAN MOTOR
PENAMBAHAN
PEMBELIAN KIOS
PEMBELIAN
ANGKOT
PEMBANGUNAN
RUKO
PENAMBAHAN
PEMB KIOS
BY RENOVASI
RUMAH
KONTRAKAN
PENAMBAHAN
PEMBELIAN RUMAH
PEMBELIAN TANAH

18

36

18
24
30
31

20
20
20
20
20
20
20
20
20

24
36
24

20
20

13

14

005/002
q
r
s
t
u
v
w
x
y
z

KP CIGUDEG RT 003/002
KP BABAKAN CIBATOK
NO 63 RT 02/04
KP CIGUDEG RT 003/002
KP PARAKAN SALAK RT
003/001
KP BABAKAN RT 002/004
DRAMAGA PASAR RT
04/03
KP PARUNG TANJUNG RT
003/011
KP KEBON KALAPA RT
001/004
KP WARUNG LOA RT
001/012
KP JAMPANG PRAPATAN
RT 004/002

NG
1
1
1
2
1
2
1
1
1
1

CIGUDEG
CIBUNGBUL
ANG
CIGUDEG
KEMANG
CARINGIN
DRAMAGA
GUNUNG
PUTRI
SUKARAJA
TAMANSAR
I
KEMANG

bogor
kab
bogor
kab
bogor
kab
bogor
kab
bogor
kab
bogor
kab
bogor
kab
bogor
k