Proses Klasifikasi Menggunakan Naïve Bayes

72 3. Jika peminjam memberikan agunan A3, dengan besar kemampuan agsuraan pada kelas KA1, pendapatan keluarga D2 , nilai jaminan N5, maka status peminjam tersebut termasuk dalam kelas KL3. 4. Jika peminjam memberikan agunan A3, dengan besar kemampuan agsuraan pada kelas KA1, pendapatan keluarga D2 , nilai jaminan N3, pengeluaran keluarga K2, maka status peminjam tersebut termasuk dalam kelas KL1. 5. Jika peminjam memberikan agunan A3, dengan besar kemampuan agsuraan pada kelas KA1, pendapatan keluarga D2 , nilai jaminan N3, pengeluaran keluarga K3, maka status peminjam tersebut termasuk dalam kelas KL3.

E. Proses Klasifikasi Menggunakan Naïve Bayes

Setelah penerapan klasifikasi dengan metode decision tree C4.5 terhadap data kredit pada Koperasi X maka hasil tersebut akan dibandingkan dengan hasil klasifikasi menggunakan naïve bayes. Pada penerapan algoritma naïve bayes, data yang digunakan adalah data yang telah melewati tahap preprocessing yaitu sebanyak 979 dataset. Berikut adalah contoh salah satu perhitungan klasifikasi naïve bayes untuk mencari kelas target pada salah satu peminjam kredit koperasi. Tabel 3.19 Data Prediksi Pekerjaan Umur Pekerjaan SuamiIstri Pendapatan Keluarga Pengeluaran Keluarga Pinjaman PK3 U3 PS3 D3 K2 PJ2 Kemampuan angsuran Jangka Waktu Agunan Status Agunan Nilai Jaminan Tujuan Kelas KA3 J1 A3 SA1 N3 T2 73 Data pada Tabel 3.19 menyatakan bahwa pekerjaan pemohon kredit tergolong dalam PK3, umur tergolong dalam U3, pekerjaan suamiistri tergolong dalam PS3, pendapatan keluarga tergolong dalam D3, besar pengeluaran keluarga tergolong dalam K2, pinjaman tergolong dalam PJ2, kemampuan angsuran tergolong dalam KA3, jangka waktu tergolong dalam J1, agunan tergolong dalam A3, status agunan tergolong dalam SA1, nilai jaminan tergolong dalam N3, dan tujuan tergolong dalam T2. Perhitungan klasifikasi naïve bayes dilakukan untuk mengetahui kelas target pada data prediksi tersebut dengan � � � merupakan kelas target. Kemudian akan ditentukan atribut yang digunakan dengan ketentuan: � = kelas target=”KL1” � = kelas target=”KL2” � = kelas target=”KL3” � = kelas target=”KL4” = pekerjaan=”PK3” = umur=”U3” = pe kerjaan suamiistri=”PS3” = pendapatan keluarga=”D3” = pegeluaran keluarga=”K2” = pinjaman=”PJ2” = kemampuan angsuran=”KA3” = jangka waktu=”J1” = agunan=”A3” = status agunan=”SA1” = nilai jaminan=”N3” 74 = tujuan=”T2” Langkah-langkah perhitungan klasifikasi naïve bayes berdasarkan data kredit yang telah mengalami preprocessing sebagai berikut: 1. Langkah pertama adalah menghitung probabilitas kelas target yaitu � � � untuk = , , , . Pada kelas target atau atribut Kelas yang bernilai “KL1” sebanyak 668 data, “KL2” sebanyak 91 data, “KL3” sebanyak 159 data, “KL4” sebanyak 61 data. Maka akan dihitung nilai � � � berdasarkan persamaan 2.11, yaitu: � � = � � = KL1 = = , � � = � � = KL2 = = , � � = � � = KL3 = = , � � = � � = KL4 = = , 2. Menghitung nilai � � |� � untuk = , , , , , , , , , , , dan = , , 3, 4 yaitu: � |� = � � �� = PK3| � = KL1 = � |� = � � �� = PK | � = KL2 = � |� = � � �� = PK3| � = KL3 = � |� = � � �� = PK | � = KL4 = � |� = � = U | � = KL1 = � |� = � = U | � = KL2 = 75 � |� = � = U | � = KL3 = � |� = � = U | � = KL4 = � |� = � � �� � = PS3| � = KL1 = � |� = � � �� � = PS3| � = KL2 = � |� = � � �� � = PS3| � = KL3 = � |� = � � �� � = PS3| � = KL4 = � |� = � � � � � � � = D3| � = KL1 = � |� = � � � � � � � = D3| � = KL2 = � |� = � � � � � � � = D3| � = KL3 = � |� = � � � � � � � = D3| � = KL4 = � |� = � � � � � � = K2| � = KL1 = � |� = � � � � � � = K2| � = KL2 = � |� = � � � � � � = K2| � = KL3 = � |� = � � � � � � = K2| � = KL4 = � |� = � � � � = PJ2| � = KL1 = � |� = � � � � = PJ2| � = KL2 = � |� = � � � � = PJ2| � = KL3 = � |� = � � � � = PJ2| � = KL4 = 76 � |� = � � � � � = KA3| � = KL1 = � |� = � � � � � = KA3| � = KL2 = � |� = � � � � � = KA3| � = KL3 = � |� = � � � � � = KA3| � = KL4 = � |� = � � � � = J1| � = KL1 = � |� = � � � � = J1| � = KL2 = � |� = � � � � = J1| � = KL3 = � |� = � � � � = J1| � = KL4 = � |� = � � � = A3| � = KL1 = � |� = � � � = A3| � = KL2 = � |� = � � � = A3| � = KL3 = � |� = � � � = A3| � = KL4 = � |� = � � � � = A1| � = KL1 = � |� = � � � � = A1| � = KL2 = � |� = � � � � = A1| � = KL3 = � |� = � � � � = A1| � = KL4 = � |� = � � � � � = � | � = KL1 = � |� = � � � � � = � | � = KL2 = 77 � |� = � � � � � = � | � = KL3 = � |� = � � � � � = � | � = KL4 = � |� = � � = | � = KL1 = � |� = � � = | � = KL2 = � |� = � � = | � = KL3 = � |� = � � = | � = KL4 = 3. Langkah selanjutnya adalah menghitung � �|� � untuk = , dan dengan menggunakan persamaan 2.12 diperoleh: � �|� = ∏ � � |� = �= × × × × × × × × × × × = , × − � �|� = ∏ � � |� = �= × × × × × × × × × × × = , × − � �|� = ∏ � � |� = �= × × × × × × × × × × × = , × − � �|� = ∏ � � |� = �= × × × × × × × × × × × = , × − 78 4. Menghitung nilai � �|� � � � � yaitu � �|� � � = , × − × , = , × − � �|� � � = , × − × − × , = , × − � �|� � � = , × − × − × , = , × − � �|� � � = , × − × , × − = , × − 5. Dari perhitungan � �|� � � � � di atas, diperoleh bahwa nilai tertinggi diberikan oleh � �|� � � sehingga hasil pengklasifikasian pada data di atas dapat dilihat pada Tabel 3.17 berikut. Tabel 3.20 Hasil Klasifikasi Data Pekerjaan Umur Pekerjaan SuamiIstri Pendapatan Keluarga Pengeluaran Keluarga Pinjaman PK3 U3 PS3 D3 K2 PJ2 Kemampuan angsuran Jangka Waktu Agunan Status Agunan Nilai Jaminan Tujuan Kelas KA3 J1 A3 SA1 N3 T2 KL4 Berdasarkan Tabel 3.20, diperoleh informasi bahwa peminjam dengan pekerjaan PK3, umur U3, pekerjaan suamiistri PS3, pendapatan keluarga D3, pengeluaran keluarga K2, pinjaman PJ2, kemampuan angsuran KA3, jangka waktu J1, agunan A3, status agunan SA1, nilai jaminan N3, tujuan T2 maka peminjam tersebut termasuk dalam kelas KL4. Pada proses data mining diperlukan bantuan software WEKA karena jumlah dataset yang cukup banyak sehingga akan sulit jika diolah secara manual dan memerlukan waktu lama. Pengklasifikasian menggunakan WEKA dimulai dengan menyiapkan data yang telah mengalami preprocessing dengan format csv. 79 Selanjutnya dilakukan classifier dengan naïve bayes. Ilustrasi klasifikasi naïve bayes menggunakan WEKA ditunjukkan oleh Gambar 3.8. Gambar 3.8 Naïve Bayes menggunakan WEKA Visualisasi output WEKA menggunakan teknik klasifikasi algoritma naïve bayes dengan jumlah data 979 ditunjukkan pada Gambar 3.9. 80 === Classifier model full training set === Naive Bayes Classifier Class Attribute KL3 KL1 KL4 KL2 0.16 0.68 0.06 0.09 ==================================================== Pekerjaan PK1 52.0 228.0 16.0 34.0 PK2 13.0 41.0 3.0 8.0 PK3 60.0 195.0 32.0 28.0 PK4 33.0 140.0 14.0 19.0 PK6 1.0 37.0 1.0 2.0 PK5 6.0 33.0 1.0 6.0 [total] 165.0 674.0 67.0 97.0 Umur U1 23.0 66.0 10.0 12.0 U3 44.0 220.0 19.0 34.0 U2 51.0 202.0 16.0 22.0 U4 33.0 121.0 16.0 20.0 U5 13.0 64.0 5.0 8.0 [total] 164.0 673.0 66.0 96.0 …………… Time taken to build model: 0 seconds Gambar 3.9 Hasil Output WEKA Klasifikasi Menggunakan Naïve Bayes Output program WEKA Gambar 3.9 merupakan model klasifikasi naïve bayes. Berdasarkan output dapat diketahui bahwa pada atribut pekerjaan mempunyai total class KL1 sebanyak 674, class KL2 sebanyak 97, class KL3 sebanyak 165, class KL4 sebanyak 67 sehingga total class seluruhnya ada 1.003, sedangkan jumlah data sebenarnya adalah 979. Hal ini terjadi karena klasifikasi naïve bayes pada program WEKA menghindari frekuensi nol di setiap class sehingga terjadi penambahan 1 angka di setiap class. Pada output di atas juga dapat diketahui bahwa model naïve bayes terbentuk dalam waktu mendekati 0 detik.

F. Pengujian Model