Prediksi Kredit Macet Berdasarkan Preferensi Nasabah Menggunakan Metode Klasifikasi C4.5 pada Koperasi Simpan Pinjam Mitra Raya Wates

  

Vol. 2, No. 12, Desember 2018, hlm. 6118-6127 http://j-ptiik.ub.ac.id

Prediksi Kredit Macet Berdasarkan Preferensi Nasabah Menggunakan

Metode Klasifikasi C4.5 pada Koperasi Simpan Pinjam Mitra Raya Wates

_{1 2 3} Iqbal Taufiq Ahmad Nur , Nanang Yudi Setiawan , Fitra Abdurrachman Bachtiar

  Program Studi Sistem Informasi, Fakultas Ilmu Komputer, Universitas Brawijaya

  1

  

  3 Email: iqbaltaufiq.an@gmail.com, fitra.bachtiar@ub.ac.id

Abstrak

  Kredit macet merupakan permasalahan utama yang sedang dihadapi lembaga finansial khususnya koperasi di Indonesia. Hal tersebut juga dialami pada KSP Mitra Raya Wates yang tidak menggunakan tenaga analis kredit dan pengambilan keputusannya mengunakan pendekatan intuitif dan berdasarkan pengalaman yang sudah ada oleh pimpinan KSP. Proses survei yang dilakukan pada KSP Mitra Raya Wates juga tidak bisa menjamin pinjaman yang dilakukan oleh nasabah bebas dari risiko kredit, mengingat masih terdapat nasabah yang mengalami kredit macet dari keseluruhan nasabah yang telah mendapatkan pinjaman. Sehingga diperlukan sistem yang mampu menjadi pendukung keputusan guna mendeteksi kualitas kredit sejak dini. Metode C4.5 merupakan salah satu metode yang dapat digunakan untuk memprediksi kualitas kredit nasabah dengan menghasilkan rule dalam bentuk pohon keputusan. Hasil yang didapatkan dari confussion matrix adalah tingkat akurasi sebesar 94,5946%. Sedangkan berdasarkan kurva ROC dihasilkan nilai AUC sebesar 0,9689. Usabilitas yang dihasilkan dengan memanfaatkan SUS adalah sebesar 82,5. Luaran yang dihasilkan berupa visualisasi dashboard dengan beberapa grafik yang memuat persentase, time-series dan trend dari total pengajuan yang telah dilakukan dan juga form yang dapat digunakan oleh pihak KSP Mitra Raya Wates untuk melakukan prediksi pengajuan kredit nasabah dan juga pemasukan dataset ke sistem.

  Kata kunci

  : kredit, prediksi, klasifikasi, C4.5, SUS

  

Abstract

Bad credit is the main problem that faced by financial institutions, especially cooperatives in

Indonesia. This problem is also happened in KSP Mitra Raya Wates that does not use credit analyst

and the decision making process is using an intuitive approach and based on existing experience that

owned by KSP Leader. The survey process conducted at KSP Mitra Raya Wates also cannot guarantee

that the loans made by customers are free from credit risk, considering there are customers who have

bad credit from a total of all customers who have received loans. KSP Mitra Raya Wates needs a

system that capable of supporting decision to detect credit quality early on. C4.5 method can be used

to predict customers’ credit quality by generating rule in form of decision tree. The results of

confusion matrix have accuracy of 94.5946. While based on the ROC curve, it generated AUC value of

  

0.9689. The level of usability generated by utilizing SUS is 82.5. The output is dashboard visualization

with several graphs containing the percentage, time-series and trend of total submissions that have

been made and also forms that can be used by KSP Mitra Raya Wates to make predictions of customer

credit application and also dataset entry into the system.

  Keywords : credit, prediction, classification, C4.5, SUS

  atau pinjaman kepada masyarakat. Kredit 1. sendiri merupakan kemampuan untuk

   PENDAHULUAN

  melaksanakan suatu pembelian atau Koperasi simpan pinjam merupakan salah mengadakan suatu pinjaman dengan suatu janji, satu bentuk lembaga finansial yang berperan pembayarannya akan dilakukan dan penting dalam membantu meningkatkan taraf ditangguhkan pada suatu jangka waktu yang hidup masyarakat dengan cara menghimpun disepakati (Kohler, 1983). Proses pengajuan dana dan menyalurkannya dalam bentuk kredit

  Fakultas Ilmu Komputer Universitas Brawijaya

6118 kredit di koperasi simpan pinjam terbilang lebih sederhana namun diperlukan analisis yang mendalam agar terhindar dari risiko kredit.

  KSP Mitra Raya Wates merupakan salah satu bentuk koperasi simpan pinjam dengan produk utama adalah pinjaman. Proses pengajuan pinjaman yang dilakukan pada KSP Mitra Raya Wates masih menggunakan pendekatan intuitif dan berdasarkan pengalaman yang sudah ada. Proses pengambilan keputusan terhadap pengajuan kredit dilakukan oleh pimpinan KSP tanpa menggunakan tenaga analis kredit guna mengurangi pengeluaran perusahaan. Hal ini akan menimbulkan adanya kesalahan analisis kredit yang dapat menyebabkan risiko kredit. Proses survei yang dilakukan pada KSP Mitra Raya Wates juga tidak bisa menjamin pinjaman yang dilakukan oleh nasabah bebas dari risiko kredit, mengingat terdapat kurang lebih 100 orang nasabah mengalami kredit macet dari total kurang lebih 400 nasabah yang telah mendapatkan pinjaman (Franico, 2018). Sehingga diperlukan sistem yang mampu menjadi pendukung keputusan guna mendeteksi kualitas kredit sejak dini.

  meadow soil, brown soil, dan sand soil yang dibagi kedalam tingkatan A, B, C, D, dan E.

  character

  Kredit atau cedere dalam bahasa yunani berarti sebuah kepercayan atau credo yang berarti saya percaya. Kriteria yang digunakan secara umum oleh lembaga finansial untuk pemberian kredit ada lima indikator yang lebih dikenal sebagai 5C yang diantaranya adalah

  2.1.Kredit

  2. LANDASAN PUSTAKA

  Berdasarkan paparan di atas, peneliti tertarik untuk melakukan penelitian tentang prediksi kredit macet berdasarkan preferensi nasabah yang diimplementasikan di KSP Mitra Raya Wates dengan menggunakan algoritme klasifikasi C4.5 dalam bentuk dashboard berbasis web.

  berbeda dan juga dilakukan pengujian usabilitas untuk menilai kualitas sistem yang dibuat kepada calon pengguna dari KSP Mitra Raya Wates.

  Tingkat akurasi yang didapatkan sistem sebesar 92,71%. Adapun perbedaan penelitian yang peneliti lakukan dengan penelitian-penelitian terdahulu adalah penggunaan parameter yang

  ” yang dilakukan oleh Dongming et. al. (2016). Data yang digunakan dalam penelitian ini merupakan data tanah Lishu yang terletak di Provinsi Jilin dari tahun 2006 hingga 2008. Terdapat enam atribut yang digunakan dalam penelitian ini, diantaranya adalah Organic Matter, Total N, Total P, Total K, AHN, dan Class sebagai atribut kelas yang merepresentasikan black soil, chernozem,

  Metode data mining yang dapat digunakan untuk memprediksi berdasarkan data masa lalu adalah klasifikasi. Salah satu metode dari klasifikasi yaitu C4.5 yang dapat digunakan untuk memprediksi kredit macet dalam kasus pengajuan pinjaman nasabah dengan menghasilkan rule atau aturan dalam bentuk pohon keputusan (Larose & Daniel, 2015).

  Decision Tree C4.5 Algorithm to Soil Quality Grade Forecasting Model

  Untuk pengujian dilakukan pembagian data dengan skema 90% : 10%, 80% : 20%, 70% : 30%, dan 60% : 40%. Tingkat precision terbesar bernilai 78,08% dari skema pembagian data 90% : 10%. Nilai recall terbesar adalah 96,4% yang didapatkan dari skema pembagian data 80% : 20%. Sedangkan skema pembagian data terbaik didapatkan dari pembagian data sebesar 80% : 20% dengan tingkat akurasi sebesar 74,5% dan recall sebesar 96,4%. Penelitian ketiga berjudul “The Application of

  ” yang dilakukan oleh Amin et. al. (2015). Data yang digunakan dalam penelitian ini berjumlah 1000 data pinjaman Bank Pasar Daerah Istimewa Yogyakarta dari bulan Januari hingga Juli 2014.

  Using C4.5 Algorithm in Decision Making of Loan Application by Debtor (Case Study: Bank Pasar of Yogyakarta Special Region

  sebesar 78%. Sehingga secara garis besar penggunaan algoritme C4.5 masih dikatakan baik dan dapat dijadikan salah satu pedoman untuk mendeteksi kredit macet sebelum ada keputusan diterima tidaknya pengajuan pinjaman nasabah tersebut. Penelitian kedua berjudul “Implementation of Decision Tree

  recall

  Pada penelitian terdahulu yang berjudul “Prediksi Kredit Macet Melalui Perilaku Nasabah pada Koperasi Simpan Pinjam dengan Menggunakan Metode Algoritme Klasifikasi C4.5” yang dilakukan oleh Sucipto (2015), model algoritme C4.5 dalam penelitian ini diuji secara terukur menggunakan uji ROC/AUC dan juga T-Test. Hasil yang didapatkan secara keseluruhan adalah tingkat akurasi sebesar 91,06%, precision sebesar 100%, dan juga

  , capital, capacity, collateral, dan condition of economic (Dendawijaya, 2005).

  2.2. Knowledge Discovery in Database (KDD)

  2.6. Metode C4.5

  Untuk menggali informasi dari sekumpulan Untuk memilih atribut sebagai akar pada data dengan jumlah yang besar, dapat metode C4.5, didasarkan pada nilai gain digunakan Data Mining dan Knowledge tertinggi dari atribut-atribut yang ada. Untuk

  Discovery in Database (KDD). Tahapan dalam

  menghitung gain digunakan Persamaan 1 proses KDD dapat dilihat pada Gambar 1. (Kusrini dan Luthfi, 2009):

  | |

  (1)

  Gain(S,A) = ( ) − ∑ ∗ ( ) =1 | |

  Sumber: Kusrini dan Luthfi (2009) Dengan: S : Himpunan kasus

  Gambar 1 Tahapan KDD

  A : Atribut n : Jumlah partisi atribut A Sumber: Han dan Kamber (2006)

  |Si|: Jumlah kasus pada partisi ke i |S| : Jumlah kasus dalam S

  Tahapan KDD dimulai dari tahap data

  selection , pre processing, transformation, data mining , dan interpretation atau evaluasi.

  Sehingga diperoleh nilai gain dari atribut yang paling tertinggi. Atribut dengan

  2.3. Data Mining information gain tertinggi dipilih sebagai test

  Menurut Larose dan Daniel (2005), data

  attribute dari suatu node . Sedangkan

  mining dibagi menjadi tujuh bagian perhitungan nilai entropy dapat dilihat pada berdasarkan pembagian tugasnya yaitu

  Persaman 2 (Kusrini dan Luthfi, 2009): deskripsi, estimasi, prediksi, klasifikasi, (2)

  ( ) = ∑ =1 − ∗

  2 clustering , dan asosiasi .

  Sumber: Kusrini dan Luthfi (2009)

  2.4. Klasifikasi

  Dimana: Terdapat dua langkah proses dalam

  S : Himpunan kasus klasifikasi, yaitu learning (fase training), n : Jumlah partisi S dimana data training dianalisis guna menghasilkan sebuah rule klasifikasi, pi : Proporsi dari S i terhadap S sedangkan langkah proses yang kedua adalah klasifikasi dimana dalam proses ini

  2.7. Confussin Matrix

  menggunakan data tes guna memperkirakan

  Confussion Matrix merupakan metode

  akurasi dari rule klasifikasi (Han dan Kamber, yang memanfaatkan tabel matriks seperti pada 2006). Menurut Gorunescu (2011) proses

  Tabel 1 dimana tiap kolom pada matriks adalah klasifikasi didasarkan pada empat komponen contoh kelas prediksi, sedangkan tiap baris yaitu kelas, predictor, training dataset, dan mewakili kejadian di kelas sebenarnya

  testing dataset .

  (Gorunescu, 2011).

  2.5. Decision Tree Tabel 1 Model Confussion Matrix

  Proses pada decision tree adalah mengubah bentuk data (tabel) menjadi model

  Klasifikasi yang Diklasifikasikan sebagai

  pohon, mengubah model pohon menjadi rule,

  benar + -

  dan menyederhanakan rule (Basuki dan Syarif,

  True Positives False Negatives 2004).

• + Terdapat tiga jenis node pada decision

  False Positives - True Negatives tree , yaitu root node, internal node, dan leaf

  Sumber: Bramer (2007)

  node atau terminal node (Utdirartatmo, 2005).

  Confussion matrix

  merepresentasikan tingkat akurasi dari proses klasifikasi yang telah dilakukan. Perhitungan akurasi dapat dilihat penelitian pada tahap studi literatur. pada Persamaan 3 (Maurina, 2015): Pada tahap analisis kebutuhan, dilakukan pengidentifikasian apa yang dibutuhkan dan apa

• (3)

  =

  yang harus bisa dilakukan sistem. Luaran dari tahap ini adalah dokumen SRS

  (System

  Sumber: Maurina (2015)

  Requirement Specification ) untuk sistem

2.8. Kurva ROC yang akan dibangun.

  Selanjutnya dilakukan pengumpulan data Kurva ROC menunjukkan akurasi dan langsung dari KSP Mitra Raya Wates dalam membandingkan klasifikasi secara visual. ROC bentuk format .xls. Data yang terkumpul adalah mengekspresikan confussion matrix. The area data pada periode bulan Oktober

• – Desember

  under the curve (AUC) dihitung untuk 2017 dan Januari 2018 sejumlah 193 data.

  mengukur perbedaan perfomansi metode yang Setelah data yang dibutuhkan untuk digunakan. penelitian ini telah terkumpul, maka tahap

  Untuk klasifikasi data mining, nilai AUC selanjutnya adalah tahap perancangan. Pada dapat dibagi menjadi beberapa kelompok tahap ini dilakukan pre processing data baik (Gorunescu, 2011): secara manual maupun menggunakan tool

  weka . Pre processing yang dilakukan ada tiga a.

  0.90 – 1.00 = Klasifikasi sangat baik tahap, yaitu data selection, data cleansing, dan b.

  0.80 – 0.90 = Klasifikasi baik data transformation . Data selection merupakan tahap untuk melakukan pengubahan nama c.

  0.70 – 0.80 = Klasifikasi cukup atribut menggunakan snake case style d.

  0.60 – 0.70 = Klasifikasi buruk (penulisan elemen dipisahkan dengan satu karakter garis bawah (_) dan tidak ada spasi) e.

  0.50 – 0.60 = Klasifikasi salah dan juga pemilihan atribut yang didasarkan pendapat Pimpinan KSP Mitra Raya Wates 3.

METODOLOGI PENELITIAN

  dimana atribut-atribut yang terpilih merupakan Alur metodologi yang digunakan dalam atribut-atribut yang berdampak langsung penelitian ini terpapar pada Gambar 2. terhadap macet tidaknya suatu pinjaman nasabah (Franico, 2018). Data cleansing merupakan proses untuk meghilangkan missing

  values (tidak adanya nilai pada suatu data) dari

  data yang telah terkumpul guna mendapatkan data yang bersih untuk proses penglasifikasian nantinya. Data bersih yang siap digunakan untuk proses klasifikasi berjumlah 185 data.

  Data tranformation

  merupakan proses untuk mengubah nilai-nilai yang terdapat pada data menjadi bentuk nilai yang terkategori. Kategori nilai didasarkan pada pendapat Pimpinan KSP. Data hasil pre processing tertera pada Tabel 2.

  Tabel 2 Data Hasil Pre Processing JE TO JUM STA PEN TOT STA NIS TAL LAH_ TUS_ DAP AL_ TUS Gambar 2 Alur Penelitian _K _PI TAN PER ATA BIA _PI EL NJA GGU NIK N_U YA_ NJA

  Identifikasi masalah merupakan tahap

AM MA NGA AHA TAM HID MA

  mengidentifikasi masalah pada KSP Mitra Raya

  IN N N N A UP N

  Wates. Proses pengidentifikasian masalah

  L REN SEDA MEN SED REN MA DA NG

IKAH ANG DAH CET

  dilakukan dengan cara melakukan wawancara

  H

  langsung dengan pihak manajerial dari KSP

  P SAN SEDA MEN SED REN LAN Mitra Raya Wates.

GAT NG

  Kemudian dilakukan pencarian berbagai

  _RE

  literatur yang nantinya dapat mendukung ND

JE NIS _K EL AM

  klasifikasi akan dianalisa dari kelas yang masuk sebagai kelas false positives dan false negatives berdasarkan rule yang telah dihasilkan sebelumnya. Sedangkan pengujian sistem dilakukan dengan menggunakan blackbox

  Hasil Learning Process Menggunakan Weka

  Gambar 3 Rule

  2. Jika jumlah tanggungan sedikit dan pendapatan utama sedang dan total biaya hidup sedang dan status

  1. Jika jumlah tanggungan sedikit dan pendapatan utama sedang dan total biaya hidup sedang dan status pernikahan menikah dan total pinjaman sangat rendah, maka status pinjaman adalah macet.

  data menggunakan tool Weka tertera dalam Gambar 3 dan Gambar 4. Adapun rule dalam Gambar 3 dan Gambar 4 dapat dijelaskan sebagai berikut:

  4.1. Rule Hasil Process Learning Rule yang terbentuk dari penggunaan 185

  4. HASIL DAN PEMBAHASAN

  Tahap terakhir adalah penarikan kesimpulan dan pemberian saran terhadap penelitian selanjutnya.

  dengan memanfaatkan kuisioner SUS yang diisi langsung oleh responden dari KSP Mitra Raya Wates.

  usability testing untuk mengetahui kualitas dashboard . Pengukuran usability dilakukan

  fungsionalitas sistem dan juga blackbox

  validation testing untuk menguji persyaratan

  IN TO TAL _PI NJA MA N JUM LAH_ TAN GGU NGA N STA TUS_ PER NIK AHA N PEN DAP ATA N_U TAM A TOT AL_ BIA YA_ HID UP STA TUS _PI NJA MA N AH L REN DA H SEDI KIT BEL

  UM_ MEN

  Tahap selanjutnya menguji dan menganalisis hasil implementasi yang telah dilakukan. Dilakukan pengevaluasian dan pemvalidasian algoritme dengan menggunakan

  Hasil dari tahap perancangan kemudian diimplementasikan ke dalam bentuk sistem dengan memanfaatkan framework codeigniter dan tool weka. Luaran yang dihasilkan dari tahap implementasi ini adalah sistem rekomendasi yang dapat memberikan prediksi kredit macet pada pengajuan kredit nasabah.

  dashboard .

  . Selain itu juga dilakukan perancangan sistem dan juga perancangan visualisasi

  data testing untuk kemudian secara otomatis weka akan menampilkan rule dalam bentuk tree

  bentuk pohon keputusan. Pada weka digunakan fitur J48 dengan mamasukkan data training dan

  learning secara manual maupun menggunakan weka guna mendapatkan rule atau aturan dalam

  Kemudian dilakukan pembagian data dengan persentase 80% untuk data latih dan 20% data uji. Proses pembagian data dilakukan dengan memanfaatkan fitur yang ada di Weka yaitu fitur resample dengan pilihan randomSeed adalah 1. Sehingga, pada saat dilakukan pembagian, dilakukan juga proses pengacakan terhadap data. Hasil dari pre processing dan pembagian data kemudian dilakukan proses

  IKAH REN DAH REN DAH MA CET

  IKAH SED ANG REN DAH LAN CAR L SED AN G SEDA NG MEN

  IKAH SED ANG REN DAH MA CET L SAN GAT _RE ND AH SEDA NG MEN

  IKAH REN DAH REN DAH MA CET L TIN GGI SEDA NG MEN

  IKAH SED ANG SED ANG LAN CAR P SAN GAT _RE ND AH SEDI KIT MEN

  confussion matrix dan kurva ROC. Hasil pernikahan menikah dan total pinjaman rendah, maka status pinjaman adalah macet.

  3. Jika jumlah tanggungan sedikit dan pendapatan utama sedang dan total biaya hidup sedang dan status pernikahan menikah dan total pinjaman sedang, maka status pinjaman adalah lancar.

  14. Jika jumlah tanggungan sedang dan total pinjaman sangat rendah dan total biaya hidup rendah, maka status pinjaman adalah lancar.

  Hasil confussion matrix yang didapat dari penggunaan tool Weka tertera dalam Gambar 5. Sehingga perhitungan confussion matrix dapat dikonversikan ke dalam bentuk tabel seperti Tabel 3.

  4.2. Confussion Matrix

  20. Jika jumlah tanggungan banyak, maka status pinjaman adalah macet.

  19. Jika jumlah tanggungan sedang dan total pinjaman sangat tinggi, maka status pinjaman adalah macet.

  18. Jika jumlah tanggungan sedang dan total pinjaman tinggi, maka status pinjaman adalah macet.

  17. Jika jumlah tanggungan sedang dan total pinjaman sedang, maka status pinjaman adalah macet.

  16. Jika jumlah tanggungan sedang dan total pinjaman rendah, maka status pinjaman adalah macet.

  15. Jika jumlah tanggungan sedang dan total pinjaman sangat rendah dan total biaya hidup tinggi, maka status pinjaman adalah lancar.

  13. Jika jumlah tanggungan sedang dan total pinjaman sangat rendah dan total biaya hidup sedang, maka status pinjaman adalah macet.

  4. Jika jumlah tanggungan sedikit dan pendapatan utama sedang dan total biaya hidup sedang dan status pernikahan menikah dan total pinjaman tinggi, maka status pinjaman adalah macet.

  12. Jika jumlah tanggungan sedikit dan pendapatan utama tinggi, maka status pinjaman adalah macet.

  11. Jika jumlah tanggungan sedikit dan pendapatan utama rendah, maka status pinjaman adalah macet.

  10. Jika jumlah tanggungan sedikit dan pendapatan utama sedang dan total biaya hidup tinggi, maka status pinjaman adalah lancar.

  9. Jika jumlah tanggungan sedikit dan pendapatan utama sedang dan total biaya hidup rendah, maka status pinjaman adalah lancar.

  8. Jika jumlah tanggungan sedikit dan pendapatan utama sedang dan total biaya hidup sedang dan status pernikahan belum menikah, maka status pinjaman adalah lancar.

  7. Jika jumlah tanggungan sedikit dan pendapatan utama sedang dan total biaya hidup sedang dan status pernikahan cerai, maka status pinjaman adalah lancar.

  6. Jika jumlah tanggungan sedikit dan pendapatan utama sedang dan total biaya hidup sedang dan status pernikahan belum menikah, maka status pinjaman adalah lancar.

  5. Jika jumlah tanggungan sedikit dan pendapatan utama sedang dan total biaya hidup sedang dan status pernikahan menikah dan total pinjaman sangat tinggi, maka status pinjaman adalah macet.

  

Gambar 4 Rule Hasil Learning Process Menggunakan Weka (lanjutan)

  

Gambar 5 Hasil Classifier C4.5 Weka

Tabel 3 Perhitungan Confussion Matrix

  dapat diartikan bahwa 22 records dengan kelas asli adalah lancar diklasifikasikan benar sebagai

  Klasifikasi yang Diklasifikasikan sebagai benar kelas lancar. Macet Lancar Macet

  13

  1 Tabel 4 Hasil Klasifikasi pada False Positives dan False Negatives

  Lancar

  1

  22 JE TO JU PE STA TO 'pred ST NI TA ML ND TUS TA icted AT

  Dapat diketahui bahwa kelas yang

  S_ L_ AH_ AP _PE L_B STA US

  diklasifikasikan sebagai true positive berjumlah

  K PI TAN AT RNI

  IAY TUS_ _PI EL NJ GG AN_

  13 records, dimana dapat diartikan bahwa

  KA A_ PINJ NJ A A UN UT

  terdapat 13 records kelas macet diklasifikasikan

  HA HID AMA AM MI M GA AM

  benar sebagai kelas macet. Terdapat satu record N UP N' AN

  N AN N A

  diklasifikasikan sebagai false positives yang

  SE SED ME SED RE LA

  dapat diartikan bahwa satu record dengan kelas

  DA AN NIK AN ND MAC NC L NG G AH G AH ET AR

  asli adalah lancar namun diklasifikasikan salah

  TI ME SED RE MA

  sebagai kelas macet. Hal tersebut dikarenakan

  NG SED NIK AN ND LAN CE

  berdasarkan rule yang telah dibuat pada proses

  L GI

  IKIT AH G AH CAR T learning , atribut JUMLAH_TANGGUNGAN

  adalah SEDANG dan TOTAL_PINJAMAN adalah SEDANG maka seharusnya Validitas sistem dapat dinilai dengan cara STATUS_PINJAMAN akan MACET. Terdapat menghitung akurasi. Berikut adalah perhitungan juga satu record yang diklasifikasikan sebagai akurasi:

  false negatives

  , dimana dalam hal ini satu 13 + 22

  35 = record tersebut bernilai macet namun

  13 + 22 + 1 + 1 = 37 = 0.945946

  diklasifikasikan salah sebagai kelas lancar. Hal Dengan nilai akurasi sebesar 94,60%, tersebut dikarenakan berdasarkan rule yang maka proses klasifikasi yang dihasilkan sangat telah dibuat, atribut baik. JUMLAH_TANGGUNGAN adalah SEDIKIT dan PENDAPATAN_UTAMA adalah

  4.6. Kurva ROC

  SEDANG dan TOTAL_BIAYA_HIDUP adalah RENDAH, maka STATUS_PINJAMAN

  Kurva ROC yang dihasilkan dari

  akan LANCAR. Cuplikan data yang masuk ke

  proses classifiers menggunakan weka

  kelas false positives dan false negatives tertera tertera dalam Gambar 6. pada Tabel

  4. Terdapat 22 records Nilai kurva ROC yang dihasilkan adalah diklasifikasikan sebagai true negative, dimana

  0,9689. Sehingga dengan merujuk pada

  

Gambar 6 Hasil Threshold Curve Weka

  pengklasifikasian nilai AUC berdasarkan Gorunescu (2011), klasifikasi C4.5 untuk prediksi kredit macet berdasarkan preferensi nasabah pada KSP Mitra Raya Wates dapat digolongkan sebagai klasifikasi yang sangat baik karena berada pada nilai AUC 0.90 – 1.00.

4.7. Hasil Visualisasi Dashboard

  Visualisasi dashboard diimplementasikan menjadi empat tampilan. Tampilan pertama

  Gambar 8 Visualisasi Halaman Dashboard (lanjutan)

  merupakan tampilan untuk halaman dashboard yang menampilkan total pengajuan baik Tampilan kedua adalah tampilan untuk pengajuan yang diterima maupun yang ditolak, halaman prediksi nasabah yang terdiri dari form persentase total pengajuan dalam bentuk dan hasil prediksi yang dapat dilihat pada

  diagram pie , time-series total pengajuan dalam Gambar 9 dan 10.

  bentuk bar chart, dan trend total pengajuan tiap bulan dalam bentuk line chart. Tampilan halaman dashboard dapat dilihat pada Gambar 7 dan Gambar 8.

  Gambar 9 Halaman Prediksi Nasabah Gambar 7 Visualisasi Halaman Dashboard Gambar 10 Halaman Hasil Prediksi Nasabah Tampilan halaman input dataset yang dapat digunakan untuk mengunggah dataset ke sistem yang dapat dilihat pada Gambar 11.

  Gambar 11 Halaman Input Dataset

  Dan terakhir adalah tampilan halaman data pengajuan nasabah beserta dengan preferensinya yang tertera pada Gambar 12.

  Saran yang bisa diberikan terhadap penelitian selanjutnya adalah perlu menambahkan parameter nasabah yang lain atau parameter eksternal seperti misal tingkat inflasi pada suatu negara, sehingga informasi yang dapat ditampung oleh sistem semakin

  dashboard yang dibangun merupakan dashboard dengan kategori acceptable.

  Sehingga dapat disimpulkan jika

  System Usability Testing (SUS) menghasilkan nilai sebesar 82,5.

  KSP Mitra Raya Wates menggunakan

  usability yang dilakukan dari visualisasi dashboard terhadap responden dari

  unggah dataset, serta tabel yang berisi data pengajuan nasabah. Pengujian

  form untuk prediksi pengajuan dan

  4. Visualisasi dashboard ditampilkan dalam empat tampilan yaitu tampilan halaman dashboard, halaman prediksi nasabah, halaman input dataset, dan halaman data pengajuan nasabah. Di dalam empat tampilan tersebut terdapat diagram-diagram yang dapat merepresentasikan total pengajuan baik dari persentase, time-series, dan trend,

  3. Hasil pengevaluasian dan pemvalidasian algoritme C4.5 menggunakan confussion matrix dan kurva ROC, didapatkan tingkat akurasi sebesar 94,5946%, serta nilai AUC sebesar 0,9689. Sehingga didapatkan kesimpulan penggunaan C4.5 untuk memprediksi pengajuan pada KSP Mitra Raya Wates dapat digolongkan sebagai proses klasifikasi yang sangat baik.

  keputusan yang dapat digunakan untuk memprediksi pengajuan kredit nasabah.

  rule atau aturan dalam bentuk pohon

  dan 20% data testing, dan juga perhitungan entropy maupun gain berdasarkan algoritme C4.5 yang nantinya akan menghasilkan sebuah

  data training

  2. Algoritme C4.5 dapat menjadi suatu pilihan dalam menyelesaikan masalah terkait prediksi pengajuan kredit. Metode ini akan menghasilkan rule berupa pohon keputusan dengan cara melakukan pre processing data , pembagian data sebesar 80% untuk

  1. Terdapat tujuh parameter yang menjadi preferensi nasabah untuk memprediksi kredit macet pada KSP Mitra Raya Wates berdasarkan pengaruhnya terhadap kelancaran suatu pinjaman yaitu jenis kelamin, total pinjaman, jumlah tanggungan, status pernikahan, pendapatan utama, total biaya hidup dan status pinjaman.

  Setelah dilakukan penelitian berikut dengan pembahasan-pembahasan yang telah dilakukan, dapat disimpulkan sebagai berikut:

  Metode yang digunakan dalam usability testing adalah dengan menggunakan SUS yang terdiri dari 10 item pernyataan dengan nilai skala antara satu sampai lima. Pada penelitian ini, responden yang mengisi kuesioner SUS adalah pimpinan dan juga admin KSP. Mengingat aplikasi ini mempunyai dua antarmuka yaitu antarmuka untuk pimpinan dan juga admin KSP. Nilai rata-rata yang didapatkan dari kedua responden untuk sistem yang dibuat adalah 82,5, sehingga sistem yang telah dibuat dapat dikategorikan ke dalam sistem yang acceptable yang artinya sistem dapat diterima baik oleh KSP Mitra Raya Wates dalam proses pengambilan keputusan pengajuan pinjaman nasabah.

  Usability Testing dilakukan untuk mengetahui kualitas sistem yang dibuat.

  Gambar 12 Halaman Data Pengajuan Nasabah

4.8. Hasil Usability Testing

5. SIMPULAN

  banyak dan juga mengembangkan sistem pada Publishing, Singapura. sisi nasabah, sehingga nasabah bisa mengetahui

  Maurina, D., 2015. Penerapan Data Mining apakah pengajuan yang dilakukan akan diterima

  untuk Rekomendasi Beasiswa pada

  atau tidak tanpa harus terlebih dahulu datang ke

  SMA Muhamadiyah Gubug KSP Mitra Raya Wates. Menggunakan Algoritma C4.5 . FIK

  Universitas Dian Nuswantoro, 6.

   DAFTAR PUSTAKA Semarang.

  Amin, et. al., 2015. Implementation of Decision Sucipto, A., 2015. Prediksi Kredit Macet

  Tree Using C4.5 Algorithm in Decision

  Melalui Perilaku Nasabah pada

  Making of Loan Application by Debtor

  Koperasi Simpan Pinjam dengan

  (Case Study: Bank Pasar of Yogyakarta

  Menggunakan Metode Algoritma

  Special Region) . [online] Tersedia di: <

  Klasifikasi C4.5. Jurnal DISPROTEK, http://ieeexplore.ieee.org/ielx7/7203317 vol. 6. /7231384/07231400.pdf> [Diakses 14

  Utdirartatmo, F., 2005. Teori Bahasa dan Maret 2018].

  Otomata . Graha Ilmu, Yogyakarta.

  Basuki, A., & Syarif, I., 2004. Modul Ajaran

  Decision Tree . PENS-ITS, Surabaya.

  Bramer, M., 2007. Principles of Data Mining . Springer, London.

  Dendawijaya, L., 2005. Manajemen Perbankan.

  Edisi Kedua, Cetakan Kedua. Ghalia Indonesia, Bogor.

  Dongming, L., et. al., 2016. The Application of

  Decision Tree C4.5 Algorithm to Soil Quality Grade Forecasting Model .

  [online] Tersedia di: <http://ieeexplore.ieee.org/ielx7/77571 93/7778858/07778985.pdf> [Diakses 14 Maret 2018].

  Franico, A., 2018. Wawancara Permasalahan

  Pengajuan Pinjaman pada KSP Mitra Raya Wates Kediri

  . Diwawancara oleh Iqbal Taufiq A. N. [wawancara personal] KSP Mitra Raya Wates, 26 Maret 2018, 08.30.

  Gorunescu, F., 2011. Data Mining: Concepts,

  Models, and Techniques . Springer, Verlag Berlin Heidelberg.

  Han, J. & Kamber, M. 2006. Data Mining

  Concept and Techniques . Morgan Kauffman, San Fransisco.

  Kohler, E. L., 1983. A Dictionary for

  th Accountants . 6 Edition. Prentice-Hall, New Jersey.

  Kusrini & Luthfi, E. T., 2009. Algoritma Data Mining . Andi Offset, Yogyakarta. Larose & Daniel, T., 2005. Discovering

  Knowledge in Data . Jhon Willey & Sons, Inc, New Jersey.

  Liao. 2007. Recent Advances in Data Mining of

  Enterprise Data Algorithms and Application

  . World Scientific