Aplikasi Klasifikasi Kolektibilitas Kredit Pemilikan Rumah (KPR) Menggunakan Decision Tree C5.0
APLIKASI KLASIFIKASI KOLEKTIBILITAS KREDIT PEMILIKAN RUMAH
(KPR) MENGGUNAKAN DECISION TREE C5.0
SKRIPSI
MASLIMONA HARIMITA RITONGA
101402016
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
2016
Universitas Sumatera Utara
APLIKASI KLASIFIKASI KOLEKTIBILITAS KREDIT PEMILIKAN RUMAH (KPR)
MENGGUNAKAN DECISION TREE C5.0
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana
Teknologi Informasi
MASLIMONA HARIMITA RITONGA
101402016
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
2016
Universitas Sumatera Utara
PERSETUJUAN
Judul
:APLIKASI
KREDIT
KLASIFIKASI
PEMILIKAN
KOLEKTIBILITAS
RUMAH
(KPR)
MENGGUNAKAN DECISION TREE C5.0
Kategori
: SKRIPSI
Nama
: MASLIMONA HARIMITA RITONGA
Nomor Induk Mahasiswa
: 101402016
Program Studi
: SARJANA (S1) TEKNOLOGI INFORMASI
Fakultas
: ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
..UNIVERSITAS SUMATERA UTARA
Komisi Pembimbing
:
Pembimbing 2
Pembimbing 1
Sajadin Sembiring, S.Si., M.Comp.Sc
Dr. Syahril Efendi, S.Si.,M.I.T
NIP. -
NIP. 196711101996021001
Diketahui/Disetujui oleh
Program Studi S1 Teknologi Informasi
Ketua,
Muhammad Anggia Muchtar, ST., MM.IT
NIP. 19800110200801 1 010
Universitas Sumatera Utara
PERNYATAAN
APLIKASI KLASIFIKASI KOLEKTIBILITAS KREDIT PEMILIKAN RUMAH
(KPR) MENGGUNAKAN DECISION TREE C5.0
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, 11 Februari 2016
Maslimona Harimita Ritonga
101402016
Universitas Sumatera Utara
UCAPAN TERIMA KASIH
Alhamdulillah, segala puji bagi Allah SWT yang telah memberikan rahmat, karunia,
dan hidayah-Nya sehingga penulis dapat menyelesaikan skripsi ini. Penulis
mengucapkan banyak terima kasih kepada :
1. Ayahanda, Hasan BP. Ritonga, SE dan Ibunda Mimi Syahroni Tanjung yang
senantiasa sabar, selalu mendoakan, memotivasi, menasehati, mendukung dan
memberikan kasih sayang sepanjang masa, serta kepada saudara-saudara penulis
Muhammad Raja Akbar Ritonga, Sutan Rafsanjani Ritonga dan Pasikoi Tacika
Ritonga atas motivasi dan dukungannya selama ini.
2. Bapak Dr. Syahril Efendi, S.Si, M.IT, selaku pembimbing I dan Bapak Sajadin
Sembiring, S.Si, M.Comp.Sc,
selaku pembimbing II yang telah banyak
memberikan bimbingan, motivasi dan dukungan serta selalu sabar dalam
membimbing penulis selama penyusunan dan penulisan skripsi ini.
3. Bapak Dani Gunawan,ST.,MT selaku Dosen Penguji I dan Ibu Sarah Purnamawati,
ST, M.Sc selaku Dosen Penguji II yang telah memberikan segala koreksi, kritik
dan saran dalam penyempurnaan penulisan skripsi ini.
4. Bapak Muhammad Anggia Muchtar, ST., MM.IT. selaku Ketua Program Studi S1
Teknologi Informasi dan Bapak Mohammad Fadly Syahputra, B.Sc., M.Sc.IT.
selaku Sekretaris Program Studi S1 Teknologi Informasi.
5. Seluruh Dosen Program Studi S1 Teknologi Informasi yang telah memberikan
ilmu yang bermanfaat bagi penulis dari awal perkuliahan.
6. Bapak dan Ibu karyawan PT. Bank Sumut yang telah membimbing dan
memotivasi selama masa riset.
7. Sahabat-sahabat penulis Faradilla Savitri, Nadya Amelia, Sonya Lirizky Akbar,
Utami Mardiyah Dinanti, M.Naufal Afif, Rahadian Ilham Pelani, Rini Jannati,
Sharfina Faza, Tri Annisa, Nurul Putri Ibrahim, Dian Puspitasari, Farid Rakhman,
Fitry Hayani, Fadhillah Aini ,Ihda Adila yang selalu memberikan dukungan selama
ini.
8. Seluruh staf TU (Tata Usaha) serta pegawai di Program Studi S1 Teknologi
Informasi
9. Teman-teman seperjuangan program studi Teknologi Informasi khususnya
angkatan 2010 atas segala kebersamaan, doa dan dukungannya.
Akhirnya, penulis berharap agar skripsi ini berguna dan memberikan manfaat
kepada seluruh pembaca
Universitas Sumatera Utara
v
ABSTRAK
Banyaknya kredit macet yang terjadi membuat pihak bank kesulitan untuk
memprediksi sejauh mana debitur melakukan pembayaran kredit serta menentukan
nasabah mana yang berpotensi mencapai kredit macet di kemudian hari, mengingat
banyaknya nasabah yang melakukan berbagai macam jenis kredit salah satunya adalah
kredit pemilikan rumah (KPR). Decision tree C5.0 merupakan teknik data mining
untuk mengubah data menjadi pohon keputusan dan aturan-aturan keputusan (rules).
Metode ini menggunakan struktur pohon yang merepresentasikan atribut, nilai dari
atribut dan kelas. Atribut dengan nilai entropy tertinggi dijadikan sebagai root atau
akar pohon keputusan. Dari hasil pengujian klasifikasi decision tree pada data KPR
nasabah bank diketahui bahwa atribut yang memiliki nilai gain tertinggi adalah jumlah
tunggakan sehingga jumlah tunggakan menjadi atribut yang paling berpengaruh
terhadap prediksi KPR. Akurasi data yang diperoleh adalah 99,16% dan error rate
0,83%.
Kata kunci : Data mining, Decision Tree C5.0, Kredit Pemilikan Rumah (KPR).
Universitas Sumatera Utara
vi
APPLICATION CLASSIFICATION KPR COLLECTIBILITY BY USING
DECISION TREE C5.0
ABSTRACT
Number of bad loan/credit that happened make the bank difficulties to predict the
extent to which the debitur making payment by credit as well as determining which
clients could potentially reach the bad debts at a later given the large number of clients
who did a wide variety of credit one of which is KPR. Decision C5.0 is data mining
techniques as to transform data into decision tree rules and rules of decision. This
method uses a tree structure which present the attribute, the value of attribute and
class. Attribute with the value of the highest entropy as the root or the the root of the
decision tree. From the results of testing on data bank of KPR note that the attributes
value is the highest gain value is the amount of arrears become the most influential
attribute against predictions of KPR. The accuracy of the data obtained is 99,16% and
the error rate is 0,83%.
Key words : Data mining, Decision Tree C5.0, KPR.
Universitas Sumatera Utara
vii
DAFTAR ISI
Hal.
PERSETUJUAN
ii
PERNYATAAN
iii
UCAPAN TERIMA KASIH
iv
ABSTRAK
v
ABSTRACT
vi
DAFTAR ISI
vii
DAFTAR TABEL
x
DAFTAR GAMBAR
xi
BAB 1
PENDAHULUAN
1
1.1 Latar Belakang
1
1.2 Rumusan Masalah
3
1.3 Batasan Masalah
4
1.4 Tujuan Penelitian
4
1.5 Manfaat Penelitian
4
1.6 Metodologi
5
1.7 Sistematika Penulisan
6
LANDASAN TEORI
7
2.1 Data Mining
7
BAB 2
2.1.1
Tahap-tahap data mining
8
2.1.2
Pengelompokan data mining
9
2.2 Decision Tree (Pohon Keputusan)
11
2.2.1
Konsep Decision Tree
11
2.2.2
Manfaat Decision Tree
12
2.2.3
Kelebihan Decision Tree
12
2.2.4
Kekurangan Decision Tree
13
2.3 Algoritma C5.0
13
2.4 Bank
14
Universitas Sumatera Utara
viii
BAB 3
2.4.1
Kredit
14
2.4.2
Analisa Kredit
18
2.4.3
Kredit Pemilikan Rumah (KPR)
19
2.5 Penilitian Terdahulu
19
ANALISIS DAN PERANCANGAN SISTEM
21
3.1 Identifikasi Masalah
21
3.2 Data yang digunakan
21
3.3 Data Mining
21
3.3.1
Penentuan atribut
21
3.3.2
Pembentukan pohon keputusan
24
3.3.3
Knowledge Presentation
51
3.4 Analisis Sistem
53
3.4.1
Diagram alir system
53
3.4.2
Diagram alir pohon keputusan
55
3.5 Perancangan Sistem
BAB 4
3.5.1
Rancangan halaman utama
56
3.5.2
Rancangan menu data training
57
3.5.3
Form input training
58
3.5.4
Form data training
58
3.5.5
Rancangan menu data testing
59
3.5.6
Rancangan menu tree
60
IMPLEMENTASI DAN PENGUJIAN SISTEM
61
4.1 Implementasi Sistem
61
4.1.1
Spesifikasi perangkat keras dan lunak yang digunakan
61
4.1.2
Implementasi Perancangan Antarmuka
61
4.1.2.1 Halaman file
62
4.1.2.2 Halaman data training
62
4.1.2.3 Halaman data testing
64
4.1.2.4 Halaman tree
67
Pengujian Sistem
68
4.2
BAB 5
55
KESIMPULAN DAN SARAN
72
5.1 Kesimpulan
72
Universitas Sumatera Utara
ix
5.2 Saran
DAFTAR PUSTAKA
72
73
Universitas Sumatera Utara
x
DAFTAR TABEL
Hal.
Tabel 2.1
Kolektibilitas kredit
16
Tabel 3.1 Ketentuan condition
22
Tabel 3.2 Ketentuan plafond
23
Tabel 3.3 Pembagian kasus
24
Tabel 3.4 Sample perhitungan entropy condition
27
Tabel 3.5 Perhitungan node akar
28
Tabel 3.6 Perhitungan node 1
29
Tabel 3.7 Perhitungan node 1.1
31
Tabel 3.8 Perhitungan node 1.1.1
32
Tabel 3.9 Perhitungan node 1.2
34
Tabel 3.10 Perhitungan node 1.2.1
36
Tabel 3.11 Perhitungan node 1.2.2
38
Tabel 3.12 Perhitungan node 1.2.2.1
40
Tabel 3.13 Perhitungan node 1.3
41
Tabel 3.14 Perhitungan node 1.3.1
43
Tabel 3.15 Perhitungan node 1.3.1.1
44
Tabel 3.16 Perhitungan node 1.3.1.2
46
Tabel 3.17 Perhitungan node 1.3.2
47
Tabel 3.18 Perhitungan node 1.3.2.1
48
Tabel 3.19 Perhitungan node 1.3.2.2
49
Tabel 4.1 Confusion matrix data testing
70
Universitas Sumatera Utara
xi
DAFTAR GAMBAR
Hal.
Gambar 2.1
Tahap-tahap penambangan data
8
Gambar 2.2
Konsep decision tree
11
Gambar 3.1
Pembentukan node akar
29
Gambar 3.2
Pembentukan node 1
30
Gambar 3.3
Pembentukan node 1.1
32
Gambar 3.4
Pembentukan node 1.1.1
33
Gambar 3.5
Pembentukan node 1.2
35
Gambar 3.6
Pembentukan node 1.2.1
37
Gambar 3.7
Pembentukan node 1.2.2
39
Gambar 3.8
Pembentukan node 1.2.2.1
41
Gambar 3.9
Pembentukan node 1.3
42
Gambar 3.10 Pembentukan node 1.3.1
44
Gambar 3.11 Pembentukan node 1.3.1.1
45
Gambar 3.12 Pembentukan node 1.3.1.2
46
Gambar 3.13 Pembentukan node 1.3.2
48
Gambar 3.14 Pembentukan node keseluruhan
50
Gambar 3.15 Diagram alir system
54
Gambar 3.16 Diagram alir pohon keputusan
55
Gambar 3.17 Rancangan halaman utama
56
Gambar 3.18 Rancangan menu file
56
Gambar 3.19 Rancangan pengaturan database
57
Gambar 3.20 Rancangan menu data training
57
Gambar 3.21 Rancangan form input data training
58
Gambar 3.22 Rancangan form data training
58
Gambar 3.23 Rancangan form cek kolektibilitas
59
Gambar 3.24 Rancangan form data kolektibilitas
59
Gambar 3.25 Rancangan menu tree
60
Gambar 3.26 Rancangan tree view
60
Universitas Sumatera Utara
xii
Gambar 4.1
Halaman file
62
Gambar 4.2
Halaman data training
62
Gambar 4.3
Form input data training
63
Gambar 4.4
Form data training
64
Gambar 4.5
Halaman data testing
64
Gambar 4.6
Form cek kolektibilitas
65
Gambar 4.7
Hasil prediksi cek kolektibilitas
66
Gambar 4.8
Halaman data kolektibilitas
67
Gambar 4.9
Halaman tree
67
Gambar 4.10 Sub menu decision tree
68
Gambar 4.11 Tree view
68
Gambar 4.12 Data training
69
Gambar 4.13 Data testing
69
Gambar 4.14 Grafik Kolektibilitas KPR pada data testing
71
Universitas Sumatera Utara
(KPR) MENGGUNAKAN DECISION TREE C5.0
SKRIPSI
MASLIMONA HARIMITA RITONGA
101402016
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
2016
Universitas Sumatera Utara
APLIKASI KLASIFIKASI KOLEKTIBILITAS KREDIT PEMILIKAN RUMAH (KPR)
MENGGUNAKAN DECISION TREE C5.0
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana
Teknologi Informasi
MASLIMONA HARIMITA RITONGA
101402016
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
2016
Universitas Sumatera Utara
PERSETUJUAN
Judul
:APLIKASI
KREDIT
KLASIFIKASI
PEMILIKAN
KOLEKTIBILITAS
RUMAH
(KPR)
MENGGUNAKAN DECISION TREE C5.0
Kategori
: SKRIPSI
Nama
: MASLIMONA HARIMITA RITONGA
Nomor Induk Mahasiswa
: 101402016
Program Studi
: SARJANA (S1) TEKNOLOGI INFORMASI
Fakultas
: ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
..UNIVERSITAS SUMATERA UTARA
Komisi Pembimbing
:
Pembimbing 2
Pembimbing 1
Sajadin Sembiring, S.Si., M.Comp.Sc
Dr. Syahril Efendi, S.Si.,M.I.T
NIP. -
NIP. 196711101996021001
Diketahui/Disetujui oleh
Program Studi S1 Teknologi Informasi
Ketua,
Muhammad Anggia Muchtar, ST., MM.IT
NIP. 19800110200801 1 010
Universitas Sumatera Utara
PERNYATAAN
APLIKASI KLASIFIKASI KOLEKTIBILITAS KREDIT PEMILIKAN RUMAH
(KPR) MENGGUNAKAN DECISION TREE C5.0
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, 11 Februari 2016
Maslimona Harimita Ritonga
101402016
Universitas Sumatera Utara
UCAPAN TERIMA KASIH
Alhamdulillah, segala puji bagi Allah SWT yang telah memberikan rahmat, karunia,
dan hidayah-Nya sehingga penulis dapat menyelesaikan skripsi ini. Penulis
mengucapkan banyak terima kasih kepada :
1. Ayahanda, Hasan BP. Ritonga, SE dan Ibunda Mimi Syahroni Tanjung yang
senantiasa sabar, selalu mendoakan, memotivasi, menasehati, mendukung dan
memberikan kasih sayang sepanjang masa, serta kepada saudara-saudara penulis
Muhammad Raja Akbar Ritonga, Sutan Rafsanjani Ritonga dan Pasikoi Tacika
Ritonga atas motivasi dan dukungannya selama ini.
2. Bapak Dr. Syahril Efendi, S.Si, M.IT, selaku pembimbing I dan Bapak Sajadin
Sembiring, S.Si, M.Comp.Sc,
selaku pembimbing II yang telah banyak
memberikan bimbingan, motivasi dan dukungan serta selalu sabar dalam
membimbing penulis selama penyusunan dan penulisan skripsi ini.
3. Bapak Dani Gunawan,ST.,MT selaku Dosen Penguji I dan Ibu Sarah Purnamawati,
ST, M.Sc selaku Dosen Penguji II yang telah memberikan segala koreksi, kritik
dan saran dalam penyempurnaan penulisan skripsi ini.
4. Bapak Muhammad Anggia Muchtar, ST., MM.IT. selaku Ketua Program Studi S1
Teknologi Informasi dan Bapak Mohammad Fadly Syahputra, B.Sc., M.Sc.IT.
selaku Sekretaris Program Studi S1 Teknologi Informasi.
5. Seluruh Dosen Program Studi S1 Teknologi Informasi yang telah memberikan
ilmu yang bermanfaat bagi penulis dari awal perkuliahan.
6. Bapak dan Ibu karyawan PT. Bank Sumut yang telah membimbing dan
memotivasi selama masa riset.
7. Sahabat-sahabat penulis Faradilla Savitri, Nadya Amelia, Sonya Lirizky Akbar,
Utami Mardiyah Dinanti, M.Naufal Afif, Rahadian Ilham Pelani, Rini Jannati,
Sharfina Faza, Tri Annisa, Nurul Putri Ibrahim, Dian Puspitasari, Farid Rakhman,
Fitry Hayani, Fadhillah Aini ,Ihda Adila yang selalu memberikan dukungan selama
ini.
8. Seluruh staf TU (Tata Usaha) serta pegawai di Program Studi S1 Teknologi
Informasi
9. Teman-teman seperjuangan program studi Teknologi Informasi khususnya
angkatan 2010 atas segala kebersamaan, doa dan dukungannya.
Akhirnya, penulis berharap agar skripsi ini berguna dan memberikan manfaat
kepada seluruh pembaca
Universitas Sumatera Utara
v
ABSTRAK
Banyaknya kredit macet yang terjadi membuat pihak bank kesulitan untuk
memprediksi sejauh mana debitur melakukan pembayaran kredit serta menentukan
nasabah mana yang berpotensi mencapai kredit macet di kemudian hari, mengingat
banyaknya nasabah yang melakukan berbagai macam jenis kredit salah satunya adalah
kredit pemilikan rumah (KPR). Decision tree C5.0 merupakan teknik data mining
untuk mengubah data menjadi pohon keputusan dan aturan-aturan keputusan (rules).
Metode ini menggunakan struktur pohon yang merepresentasikan atribut, nilai dari
atribut dan kelas. Atribut dengan nilai entropy tertinggi dijadikan sebagai root atau
akar pohon keputusan. Dari hasil pengujian klasifikasi decision tree pada data KPR
nasabah bank diketahui bahwa atribut yang memiliki nilai gain tertinggi adalah jumlah
tunggakan sehingga jumlah tunggakan menjadi atribut yang paling berpengaruh
terhadap prediksi KPR. Akurasi data yang diperoleh adalah 99,16% dan error rate
0,83%.
Kata kunci : Data mining, Decision Tree C5.0, Kredit Pemilikan Rumah (KPR).
Universitas Sumatera Utara
vi
APPLICATION CLASSIFICATION KPR COLLECTIBILITY BY USING
DECISION TREE C5.0
ABSTRACT
Number of bad loan/credit that happened make the bank difficulties to predict the
extent to which the debitur making payment by credit as well as determining which
clients could potentially reach the bad debts at a later given the large number of clients
who did a wide variety of credit one of which is KPR. Decision C5.0 is data mining
techniques as to transform data into decision tree rules and rules of decision. This
method uses a tree structure which present the attribute, the value of attribute and
class. Attribute with the value of the highest entropy as the root or the the root of the
decision tree. From the results of testing on data bank of KPR note that the attributes
value is the highest gain value is the amount of arrears become the most influential
attribute against predictions of KPR. The accuracy of the data obtained is 99,16% and
the error rate is 0,83%.
Key words : Data mining, Decision Tree C5.0, KPR.
Universitas Sumatera Utara
vii
DAFTAR ISI
Hal.
PERSETUJUAN
ii
PERNYATAAN
iii
UCAPAN TERIMA KASIH
iv
ABSTRAK
v
ABSTRACT
vi
DAFTAR ISI
vii
DAFTAR TABEL
x
DAFTAR GAMBAR
xi
BAB 1
PENDAHULUAN
1
1.1 Latar Belakang
1
1.2 Rumusan Masalah
3
1.3 Batasan Masalah
4
1.4 Tujuan Penelitian
4
1.5 Manfaat Penelitian
4
1.6 Metodologi
5
1.7 Sistematika Penulisan
6
LANDASAN TEORI
7
2.1 Data Mining
7
BAB 2
2.1.1
Tahap-tahap data mining
8
2.1.2
Pengelompokan data mining
9
2.2 Decision Tree (Pohon Keputusan)
11
2.2.1
Konsep Decision Tree
11
2.2.2
Manfaat Decision Tree
12
2.2.3
Kelebihan Decision Tree
12
2.2.4
Kekurangan Decision Tree
13
2.3 Algoritma C5.0
13
2.4 Bank
14
Universitas Sumatera Utara
viii
BAB 3
2.4.1
Kredit
14
2.4.2
Analisa Kredit
18
2.4.3
Kredit Pemilikan Rumah (KPR)
19
2.5 Penilitian Terdahulu
19
ANALISIS DAN PERANCANGAN SISTEM
21
3.1 Identifikasi Masalah
21
3.2 Data yang digunakan
21
3.3 Data Mining
21
3.3.1
Penentuan atribut
21
3.3.2
Pembentukan pohon keputusan
24
3.3.3
Knowledge Presentation
51
3.4 Analisis Sistem
53
3.4.1
Diagram alir system
53
3.4.2
Diagram alir pohon keputusan
55
3.5 Perancangan Sistem
BAB 4
3.5.1
Rancangan halaman utama
56
3.5.2
Rancangan menu data training
57
3.5.3
Form input training
58
3.5.4
Form data training
58
3.5.5
Rancangan menu data testing
59
3.5.6
Rancangan menu tree
60
IMPLEMENTASI DAN PENGUJIAN SISTEM
61
4.1 Implementasi Sistem
61
4.1.1
Spesifikasi perangkat keras dan lunak yang digunakan
61
4.1.2
Implementasi Perancangan Antarmuka
61
4.1.2.1 Halaman file
62
4.1.2.2 Halaman data training
62
4.1.2.3 Halaman data testing
64
4.1.2.4 Halaman tree
67
Pengujian Sistem
68
4.2
BAB 5
55
KESIMPULAN DAN SARAN
72
5.1 Kesimpulan
72
Universitas Sumatera Utara
ix
5.2 Saran
DAFTAR PUSTAKA
72
73
Universitas Sumatera Utara
x
DAFTAR TABEL
Hal.
Tabel 2.1
Kolektibilitas kredit
16
Tabel 3.1 Ketentuan condition
22
Tabel 3.2 Ketentuan plafond
23
Tabel 3.3 Pembagian kasus
24
Tabel 3.4 Sample perhitungan entropy condition
27
Tabel 3.5 Perhitungan node akar
28
Tabel 3.6 Perhitungan node 1
29
Tabel 3.7 Perhitungan node 1.1
31
Tabel 3.8 Perhitungan node 1.1.1
32
Tabel 3.9 Perhitungan node 1.2
34
Tabel 3.10 Perhitungan node 1.2.1
36
Tabel 3.11 Perhitungan node 1.2.2
38
Tabel 3.12 Perhitungan node 1.2.2.1
40
Tabel 3.13 Perhitungan node 1.3
41
Tabel 3.14 Perhitungan node 1.3.1
43
Tabel 3.15 Perhitungan node 1.3.1.1
44
Tabel 3.16 Perhitungan node 1.3.1.2
46
Tabel 3.17 Perhitungan node 1.3.2
47
Tabel 3.18 Perhitungan node 1.3.2.1
48
Tabel 3.19 Perhitungan node 1.3.2.2
49
Tabel 4.1 Confusion matrix data testing
70
Universitas Sumatera Utara
xi
DAFTAR GAMBAR
Hal.
Gambar 2.1
Tahap-tahap penambangan data
8
Gambar 2.2
Konsep decision tree
11
Gambar 3.1
Pembentukan node akar
29
Gambar 3.2
Pembentukan node 1
30
Gambar 3.3
Pembentukan node 1.1
32
Gambar 3.4
Pembentukan node 1.1.1
33
Gambar 3.5
Pembentukan node 1.2
35
Gambar 3.6
Pembentukan node 1.2.1
37
Gambar 3.7
Pembentukan node 1.2.2
39
Gambar 3.8
Pembentukan node 1.2.2.1
41
Gambar 3.9
Pembentukan node 1.3
42
Gambar 3.10 Pembentukan node 1.3.1
44
Gambar 3.11 Pembentukan node 1.3.1.1
45
Gambar 3.12 Pembentukan node 1.3.1.2
46
Gambar 3.13 Pembentukan node 1.3.2
48
Gambar 3.14 Pembentukan node keseluruhan
50
Gambar 3.15 Diagram alir system
54
Gambar 3.16 Diagram alir pohon keputusan
55
Gambar 3.17 Rancangan halaman utama
56
Gambar 3.18 Rancangan menu file
56
Gambar 3.19 Rancangan pengaturan database
57
Gambar 3.20 Rancangan menu data training
57
Gambar 3.21 Rancangan form input data training
58
Gambar 3.22 Rancangan form data training
58
Gambar 3.23 Rancangan form cek kolektibilitas
59
Gambar 3.24 Rancangan form data kolektibilitas
59
Gambar 3.25 Rancangan menu tree
60
Gambar 3.26 Rancangan tree view
60
Universitas Sumatera Utara
xii
Gambar 4.1
Halaman file
62
Gambar 4.2
Halaman data training
62
Gambar 4.3
Form input data training
63
Gambar 4.4
Form data training
64
Gambar 4.5
Halaman data testing
64
Gambar 4.6
Form cek kolektibilitas
65
Gambar 4.7
Hasil prediksi cek kolektibilitas
66
Gambar 4.8
Halaman data kolektibilitas
67
Gambar 4.9
Halaman tree
67
Gambar 4.10 Sub menu decision tree
68
Gambar 4.11 Tree view
68
Gambar 4.12 Data training
69
Gambar 4.13 Data testing
69
Gambar 4.14 Grafik Kolektibilitas KPR pada data testing
71
Universitas Sumatera Utara