Prediksi Kolektibilitas Kredit Anggota Dengan Algoritma C5.0 (Studi Kasus: CU Damai Sejahtera Medan)

  

Prediksi Kolektibilitas Kredit Anggota Dengan Algoritma C5.0

(Studi Kasus: CU Damai Sejahtera Medan)

Ridawati Manik, Pristiwanto, Kennedi Tampubolon

  STMIK Budi Darma, Medan, Indonesia Jl. Sisingamangraja No. 338 Simpang Limun Medan, Indonesia

  

Abstrak

CU Damai Sejahtera merupakan salah satu koperasi yang bergerak dalam usaha simpan pinjam. Hal ini mempunyai peranan

yang sama dengan lembaga keuangan besar lainnya seperti bank dalam meningkatkan perekonomian masyarakat secara khusus

adalah anggota CU itu sendiri. Sebagai lembaga keuangan, kredit macet merupakan masalah utama yang sangat berpengaruh

pada kelangsungan suatu lembaga keuangan. hilangnya pendapatan dan ancaman profitabilitas merupakan hal yang diwaspadai

dalam pemberian kredit. Kolektibilitas kredit sebagai salah satu bentuk klasifikasi akan mempermudah dalam penggolongan

setiap data anggota berdasarkan kriteria-kriteria pendukungnya. Hasil pohon keputusan yang menghasilkan informasi berupa

rule, akan mempermudah dalam analisa dan pengambilan nantinya. Dengan pohon keputusan menggunakan algoritma C5.0

diharapkan proses penggalian informasi lebih cepat dan optimal dengan kapasitas data yang lebih besar, sehingga kesalahan

yang ditimbulkan dalam pengambilan keputusan lebih diminimalkan Kata Kunci: Kolektibilitas Kredit, Algoritma C5.0, Decision Tree, Data Mining

Abstract

CU Damai Sejahtera is one of the cooperatives that move in the business of saving and loan. This has the same role as other

large financial institutions such as banks in improving the economy of the community, in particular, is a member of CU itself.

  

As a financial institution, bad credit is a major problem that is very influential on the sustainability of a financial institution.

loss of earnings and the threat of profitability is a matter of caution in lending. Credit collectibility as one form of classification

will facilitate the classification of each member data based on supporting criteria. The result of a decision tree that produces

information in the form of a rule, will facilitate the analysis and retrieval later. With decision tree using C5.0 algorithm is

expected to process information digging faster and optimal with bigger data capacity, so that errors generated in decision

making more minimized .

  Keywords: Credit Collectibility, C5.0 Algorithm, Decision Tree, Data Mining

1. PENDAHULUAN

  CU Damai Sejahtera merupakan salah satu koperasi yang bergerak dalam usaha simpan pinjam. Alasan penilaian pinjaman adalah untuk mengurangi kredit macet ketika pinjaman sudah tersalurkan kepada nasabah atau anggota. Salah satu isu sentral yang mempengaruhi dunia perbankan dan koperasi saat ini adalah masalah kredit macet. Upaya yang dilakukan untuk mengurangi kredit macet lewat adalah pengahapusbukuan (write off) kredit macet agar kinerja bank atau koperasi terlihat sehat padahal ada dana cadangan atau dana resiko kredit bagi koperasi yang digunakan untuk mengurangi tingkat kemacetan tersebut.

  Kolektibilitas Kredit adalah keadaan pembayaran pokok atau angsuran pokok dan bunga kredit oleh nasabah serta tingkat kemungkinan diterimanya kembali dana yang ditanamkan dalam surat-surat berharga atau penanaman lainnya (sesuai dengan ketentuan Bank Indonesia). Dalam kolektibilitas kredit, pihak bagian kredit CU Damai Sejahtera masih mengalami kesulitan dalam mengindentifikasi atau mengolah data dan melakukan prediksi data pinjaman anggota untuk masa mendatang terhadap kategori kredit lancar, tidak lancar dan macet berdasarkan kriteria yang mempengaruhi resiko kredit. Algoritma C5.0 adalah metode yang diimplementasikan untuk menggali informasi-informasi penting dalam menentukan resiko kredit anggota berdasarkan pada atribut- atribut sebagai kriterianya seperti agunan (collateral), simpanan, besar pinjaman, pendapatan keluarga. Beberapa penelitian telah dilakukan mengenai algoritma C5.0 yaitu: Perbandingan Performansi Algoritma Decision Tree C5.0, Cart, dan Chaid: Kasus Prediksi Status Resiko Kredit Di Bank X (Yogi Yusuf, 2007), Model Pohon Keputusan Untuk Klasifikasi Persetujuan Kredit Menggunakan Algoritma C4.5 (Ivandri, 2015). Sedangkan untuk penelitian ini algoritma decision tree c5.0 digunakan untuk membentuk prediksi kolektibilitas kredit anggota sehingga dapat dijadikan sebagai acuan untuk prediksi kolektibilitas kredit anggota dimasa mendatang. Adapun tujuan dari penelitian ini untuk mengetahui pendataan kolektibilitas kredit anggota pada CU Damai Sejahtera, mengetahui atribut-atribut prediksi kolektibilitas keredit anggota pada CU Damai Sejahtera, mengetahui penerapan metode C5.0 dalam prediksi kolektibilitas kredit anggota pada CU Damai Sejahtera, mengetahui penerapan aplikasi RapidMiner dalam prediksi kolektibilitas kredit anggota pada CU Damai Sejahtera.

  

2. TEORITIS

  2.1 Data Mining

  Data mining adalah disiplin ilmu yang tujuan utamanya adalah untuk menemukan, menggali, atau menambang pengetahuan dari data atau informasi yang kita miliki. Kegiatan inilah yang menjadi garapan atau perhatian utama dari disiplin ilmu data mining[1]

  2.2 Algoritma C5.0

  Algoritma C5.0 merupakan algoritma berbasis decision tree yang merupakan penyempurnaan dari algoritma

  ID3 dan C4.5 yang dibentuk oleh Ross Quinlan pada tahun 1987. Algortima C5.0 dapat menangani atribut kontinyu dan diskrit. Pemilihan atribut dalam algoritma ini akan diproses menggunakan information gain. Atribut dengan nilai Gain tertinggi akan dipilih sebagai akar bagi node selanjutnya.

  Berikut persamaan untuk menghitung information gain atribut.:

  

1, S 2......... S m ) = - ( ) ..........................................(1)

  (S ∑ =

  Dengan : S : Himpunan kasus m : Jumlah atribut class pi : Proporsi dari S i terhadap S Sementara untuk menghitung nilai entropy dapat dilihat pada pesamaan sebagai berikut:

• ⋯+

  

E(A) ......................................(2)

  = ∑ ( … … ) = 1 +⋯ adalah jumlah subset j yang dibagi dengan jumlah sampel pada S, maka untuk mendapatkan nilai gain , selanjutnya digunakan formula.

  Maka nilai gain dapat dihitung dengan formula sebagai berikut:

  Gain(A)=I(s1,s2,...,sm)

• –E(A). ......................................(3)

  

3. ANALISA DAN PEMBAHASAN

  Status kolektibilitas dijadikan sebagai acuan bagi pihak bank untuk menindaklanjuti proses analisa pemberian kredit untuk mengurangi kredit macet yang bisa berdampak pada meningkatnya tingkat profitabilitas lembaga. Data yang digunakan pada prediksi ini adalah 100 data anggota yang memiliki track record pada CU Damai Sejahtera. Data tersebut akan diolah menggunakan metode C5.0 yang menghasilkan kolektibilitas kredit anggota dalam bentuk pohon keputusan. Selanjutnya, data tersebut juga dianalisa dengan menggunakan tools RapidMiner yang fungsinya sama yaitu menghasilkan kolektibilitas kredit anggota dalam pohon keputusan dan rule based

  

presentation. Identifikasi Masalah Kolektibilitas kredit menjadi salah satu bentuk analisa perkreditan dalam

  mengidentifikasi atau mengolah data dan mengklasifikasikan data tersebut dalam kategori lancar, tidak lancar dan macet berdasarkan atribut-atribut yang mempengaruhi resiko kredit.

  Dalam klasifikasi kolektibilitas kredit ini, peneliti memperoleh data anggota peminjam dalam kurun waktu 3 tahun terakhir, yaitu tahun 2014, 2015 dan tahun 2016. Jumlah data transaksi yang diperoleh adalah 515 data transaksi yang terdiri dari 11 atribut.

  Tabel 1. Atribut Data Anggota dan Data Pinjaman

  

ATRIBUT DATA ATRIBUT DATA

NO

ANGGOTA PINJAMAN

  1 ID_ANGGOTA

  ID ANGGOTA

  2 NAMA NAMA NOMOR REKENING

  3 UMUR KREDIT

  4 JENIS KELAMIN TANGGAL PENCAIRAN PENDAPATAN

  5 BESAR PINJAMAN KELUARGA

  

ATRIBUT DATA ATRIBUT DATA

NO

ANGGOTA PINJAMAN

6 LAMA PINJAMAN -

• 7 SIMPANAN
• 8 AGUNAN/COLLATERAL

  Dari jumlah data transaksi di atas, peneliti hanya mengambil 100 data transaksi. Berikut dataset sementara yang akan diseleksi: Tabel 2. Dataset Penelitian

  Seperti dikatakan pada bab sebelumnya bahwa data mining merupakan penggalian informasi dari suatu data. Dalam mendapatkan informasi, maka hal yang dilakukan adalah penentuan atribut. Dari atribut yang ditampilkan pada tabel 2, maka peneliti memilih atribut yang berpengaruh terhadap resiko kredit. Atribut-atribut tersebut adalah:

  1. Agunan (collateral) Agunan (collateral) merupakan agunan yang mungkin bisa disita apabila anggota benar-benar tidak bisa memenuhi kewajibannya. Agunan (collateral) berfungsi untuk meyakinkan bank/CU bahwa debitur mempunyai kemampuan untuk melunasi kredit yang diberikan sesuai dengan perjanjian kredit yang telah disepakati bersama. Bentuk jaminan berupa saham dan sertifikat tanah/rumah.

  2. Simpanan Simpanan atau saham anggota dikategorikan menjadi dua, yaitu simpanan dibawah atau sama dengan Rp.

  5.000.000,- dan simpanan di atas Rp. 5.000.000,-

  3. Lama pinjaman Lama pinjaman dibagi menjadi 3 bagian, yaitu: lama pinjaman jangka pendek antara 1-12 bulan, jangka menengah antara 13-24 bulan, jangka panjang diatas 25 bulan.

  4. Besar Pinjaman Besar pinjaman dikelompokkan dalam beberapa range 500.000-3.000.000, 3.000.001-5.000.000, 5.000.001-7.000.000, 7.000.001-9.000.000, dan > 9.000.000.

  5. Pendapatan Keluarga Pendapatan keluarga dikelompokkan dalam beberapa range 500.000 -2.000.000, 2.000.000 - 4.000.000, 4.000.001 – 6.000.000, >6.000.000.

  6. Pengeluaran Keluarga Pengeluaran keluarga terdiri dari dua bagian, yaitu: range antara 500.000

• – 2.000.000 dan >2.000.000

• – 3.000.000
• – 5.000.000
• – 7.000.000
• – 9.000.000
• – 4.000.000

• – 6.000.000
• – 2.000.000

  1 Hasundungan Sinaga BP5 LP3 A2 SP2 P1 PK1 Tidak Lancar

  2 Robet Debataraja IR BP5 LP3 A2 SP2 P1 PK2 Lancar

  3 Ratna Sinaga BP1 LP1 A2 SP2 P2 PK4 Lancar

  4 Hasryin Pasaribu BP5 LP2 A2 SP2 P2 PK4 Lancar

  5 Marsius Sitohang BP4 LP2 A1 SP1 P1 PK2 Tidak Lancar

  6 Tumpak Sinurat BP5 LP1 A2 SP2 P1 PK2 Lancar

  7 Sarwan Rajagukguk BP5 LP3 A2 SP2 P2 PK4 Tidak Lancar

  8 Novriany E. Rajagukguk BP3 LP3 A1 SP2 P2 PK4 Lancar

  10 Benyamin Manalu BP1 LP1 A1 SP1 P1 PK2 Macet

  9 Tiarmauli S. Br. Gurning BP5 LP3 A2 SP2 P1 PK2 Lancar

  11 Mastina Sidabutar BP4 LP2 A1 SP2 P2 PK4 Lancar

  12 Simson Sinaga BP5 LP3 A2 SP1 P1 PK2 Lancar

  13 Rame Sitinur Sari Manurung BP4 LP2 A1 SP2 P1 PK1 Lancar

  14 Lidia S Siringo-ringo BP5 LP2 A1 SP2 P2 PK4 Lancar

  15 Kanni Br. Sitanggang BP2 LP2 A1 SP1 P1 PK2 Tidak Lancar ...

  ...

  ... ... ... ... ... ... ...

  99 Erika Duha BP1 LP2 A1 SP1 P1 PK2 Lancar 100

  No ^Nama Besar Pinjaman Lama Pinjaman Agunan Simpanan Pengeluaran Keluarga Pendapatan Keluarga Kolektibilitas

  P1 > 2000.000 P2

  Hasil data transformasi data sesuai dengan dataset pada tabel 4.2 adalah sebagai berikut: Tabel 4. Hasil Transformasi Data

  Panjang LP3 Besar Pinjaman

  Setelah data diseleksi dan atribut-atribut penentu kolektibilitas kredit, maka tahap selanjutnya adalah transformasi data. Transformasi data dilakukan dengan mengubah tipe data numerik menjadi interval dan menginisialkan nilai atau isian karakter terlalu panjang pada beberapa atribut. Hasil transformasi data tabel dibawah ini:

  Tabel 3. Transformasi Data

  ATRIBUT KATEGORI TRANS-FORMASI

  Agunan Saham A1

  Sertifikat Tanah A2 Simpanan (Rp.)

  ≤5.000.000 SP1

  >5.000.000 SP2 Lama Pinjaman

  Pendek LP1 Menengah LP2

  (Rp) 500.000

  Pengeluaran Keluargan 500.000

  BP1 3.000.001

  BP2 5.000.001

  BP3 7.000.001

  BP4 ≥9.000.000

  BP5 Pendapatan keluarga

  500.000 - 2.000.000 PK1 2.000.001

  PK2 4.000.001

  PK3 >6.000.000 PK4

  Lasmaria Sihombing BP1 LP1 A1 SP1 P1 PK2 Tidak Lancar

• – 3.000.000, 3.000.001 – 5.000.000, 5.000.001 – 7.000.000, 7.000.001 – 9.000.000, ≥9.000.000), Pendapatan Keluarga (500.000 – 2.000.000, 2.000.001 – 4.000.000, 4.000.001 – 6.000.000, >6.000.000). Hasilnya dapat dilihat pada pembagian kasus di bawah ini:

  1 )

  ln (0,4)

  ))+(-0,4 * (

  2

  ln (0,44)

  )) =(-0,44 * (

  18 100

  18 100 log2(

  )) + (-

  40 100

  40 100 log2(

  ) + (-

  42 100

  42 100 log2(

   I( 42,40,18) = -

  (

  )) + (-0,16* (

  Berdasarkan data di atas, selanjutnya adalah pembentukan pohon keputusan. Pembentukan pohon keputusan pada dasarnya dimulai pada tahap awal menentukan node awal sebagai akar pohon keputusan. Langkah-langkah penentuan akar (node awal) adalah :

  3 P2

  68

  28

  25

  15 Pendapatan Keluarga Pengeluaran Keluarga Nilai Atribut

  Besar Pinjaman Lama Pinjaman Agunan (Collateral)

  1. Dalam metode decision tree dengan algoritma C5.0, penentuan simpul awal dilakukan melalui perhitungan jumlah kasus masing - masing atribut dengan kolektibilitas lancar, kurang lancar dan macet untuk setiap atribut, entropy dari semua kasus dan gain dari setiap atribut. Berikut tabel pembagian kasus dari atribut

  2 m =0

  Colateral

  (saham, sertifikat tanah), Simpanan (≥5.000.000, >5.000.000, Lama Pinjaman (pendek, menengah, panjang), Besar Pinjaman (500.000

  Tabel 5. Pembagian Kasus

  2. Perhitungan nilai information gain atribut dari total keseluruhan kasus dapat menggunakan rumus persamaan 1 yang telah dibahas pada bab 3: (S

  1, S 2......... S m ) = -

  ∑

  2

  ln (0,16)

  14

  4

  2 ))) +

  12

  6

  12 ( (

  6

  2 ))) + (−

  12

  2

  12 ( (

  2

  = (-

  12 )

  4

  12 log2 (

  12 ) + (−

  2

  3. Nilai diatas adalah entropy dari keseluruhan jumlah data. Selanjutnya adalah mencari gain dari masing-masing atribut untuk mengetahui nilai gain tertinggi yang akan dijadikan sebagai node akar. Berikut adalah mencari nilai entropy dan gain dari atribut Besar Pinjaman:

  )) = 0,526 + 0,529 + 0,445

  = 1,500 Selanjutnya adalah mencari entropy atribut dari masing-masing atribut dengan menggunakan persamaan (2) yang ada pada bab 3:

  = ∑

  ( … … ) =

  = 100 100

  ∗ 1,500 = 1,500

  a. I(BP1,lancar, kurang lancar, macet) = (-

  6

  2

  12 log2 (

  2

  12 ) + (−

  6

  12 log2 (

  15

  32

  20

  4

  10 LP3

  14

  17

  41

  5 LP2

  5

  5

  15

  3 LP1

  26

  26

  55

  1 BP5

  1

  6

  14 P1

  2 BP4

  1

  5

  8

  8 BP3

  6

  5

  19

  4 BP2

  6

  2

  12

  18 BP1

  40

  44

  21

  Jumlah Lancar Tidak Lancar Macet 100

  3 PK1

  19

  25

  58

  1 PK4

  6

  3

  10

  3 PK3

  11

  11

  25

  4 PK2

  3

  7

  9

  3 A1

  18

  30

  15 SP2

  31

  24

  70

  3 SP1

  20

  24

  47

  15 A2

  20

  18

  53

  42

• ⋯+

E(A)

  4

  4

  12

  = (− ( ( )))

  12

  2 = 0,431 + 0,500 + 0,528 = 1,459

  Maka entropy dari BP1 adalah:

  12 E (BP1) = (1,459) 100

  = 0,175

  b. I(BP2,lancar, kurang lancar, macet)

  5

  5

  6

  6

  8

  8 = (- log2 ( ) + (− log2 ( ) + (− log2 ( )

  19

  19

  19

  19

  19

  19

  5

  

6

  5

  6

  19

  

19

  = (- ( ( ))) + (− ( ( )))

  19

  2

  19

  2

  8

  8

  19

• (− ( ))) 19 (

  2 = 0,507 + 0,525 + 0,525 = 1,557

  Maka entropy dari BP2 adalah:

  10 E (BP2) = (0,1557) 100

  = 0,296

  c. I(BP3,lancar, kurang lancar, macet)

  5

  5

  1

  1

  2

  2 = (-

  8

  8

  8

  8

  8

  8

  5

  1

  5

  1

  8

  8

  = (- ( ( ))) + (− ( ( ))) +

  8

  2

  8

  2

  2

  2

  8

  = (− ( ( )))

  8

  2 = 0,424 + 0,375 + 0,500 = 1,299

  Maka entropy dari BP3 adalah:

  8 E (BP3) = (1,299) 100

  = 0,104

  d. I(BP4, lancar, kurang lancar, macet)

  4

  4

  1

  1

  1

  1 = (- log2 ( ) + (− log2 ( ) + (− log2 ( )

  6

  6

  6

  6

  6

  6

  4

  1

  4

  1

  6

  6

  = (- ( ( ))) + (− ( ( ))) +

  6

  2

  6

  2

  1

  1

  6

  = (− ( ( )))

  6

  2 = 0,390 + 0,431 + 0,431 = 1,252

  Maka entropy dari BP4 adalah:

  6 E (BP4) = (1,252) 100

  = 0,075

  e. I(BP5, lancar, kurang lancar, macet)

  26

  26

  26

  26

  3

  3 = (- log2 ( ) + (− log2 ( )+(- log2 ( )

  55

  55

  55

  55

  55

  55

  26

  

26

  26

  26

  55

  

55

  =(- ( ( ))) + (− ( ( )))

  55

  2

  55

  2

• (−
• – E(A)
• – 1,338 = 0,162

  31 15 1,526 1,068 SP2

  11

  25

  3 4 0,985 0,069 PK2

  7

  9 3 1,295 0,389 PK1

  18

  30

  24

  3 1,409 0,352

  70

  20 3 1,273 0,598 SP1

  24

  47

  20 15 1,575 0,835 A2

  18

  53

  21 3 1,291 0,568 A1

  11

  PK3

  44

  28

  0,052 1,447 1,442 1,433

  0,067 1,457 0,043 1,338

  Pendapatan Keluarga

  Agunan Simpanan

  Lama Pinjaman

  Besar Pinjaman

  Keluarga 0,162 0,058

  25 15 1,539 1,046 Pengeluaran

  68

  10

  15 3 1,354 0,433 1,480 0,020 P2

  14

  32

  19 14 1,546 0,897 P1

  25

  58

  6 1 1,295 0,130 PK4

  3

  20

  14 10 1,552 0,637 LP3

  Atribut Nilai

  4. Maka nilai gain dari atribut Besar Pinjaman (BP) adalah:

  42

  Jumlah Lancar Tidak Lancar Macet Information Gain Atribut Entropy atribut Total Entropy Gain 100

  Gambar 2. Pembentukan Node Akar

  Tabel 6. Perhitungan Node Akar Dari Tabel 6 diketahui bahwa atribut dengan gain tertinggi adalah besar pinjaman, yaitu 0,162. Dengan demikian besar pinjaman menjadi node akar. Ada lima nilai atribut dari besar pinjaman, yaitu BP1(500.000

  gain dari seluruh atribut:

  Dalam menentukan node akar, perlu diketahui nilai gain dari masing-masing atribut. Di bawah ini adalah nilai

  Gain (BP) = 1,500

  Gain (A) = I(s1,s2,...,sm)

  f. Total entropy atribut Besar Pinjaman(BP) = 0,175 + 0,296 + 0,104 + 0,075 + 0,688 = 1,338

  18 1,500 1,500 1,500 -

  (1,251) = 0,688

  55 100

  Maka entropy dari BP5 adalah: E (BP5) =

  = 0,511 + 0,5111 + 0,229 = 1,251

  2 )))

  55

  3

  3 55 ( (

  40

  BP1

  17

  4

  41

  5 5 1,585 0,238 LP2

  5

  15

  26 3 1,251 0,688 LP1

  26

  55

  1 1 1,252 0,075 BP5

  6

  12

  1 2 1,299 0,104 BP4

  5

  8

  6 8 1,557 0,296 BP3

  5

  19

  6 4 1,459 0,175 BP2

  2

• – 2.000.000), BP2(3.000.001
• – 5.000.000), BP3(5.000.001 – 7.000.000), BP4(7.000.000 – 9.000.000, BP5(>5.000.000). Khusus untuk node 4, nilai tertinggi ada pada kolektibilitas lancar sedangkan yang lainnya adalah bernilai 1. Dari hasil diatas, maka dapat digambarkan bahwa pohon keputusan sementara tampak seperti berikut ini :

Keluarga 1,268 Pengeluaran

2 PK4

  19

  3

  4 7 1,546 1,203 SP2

  5

  16

  6 8 1,557 1,557 A2 0,000 0,000 SP1

  5

  6 7 1,549 1,386 LP3 0,000 0,000 A1

  5

  4

  17

  1 1 0,000 0,000 LP2

  2

  6 8 1,557 1,557 1,557 - LP1

  5

  2 1 - - PK1 0,000 0,000 PK2

  2

  Atribut Nilai Jumlah Lancar Tidak Lancar Macet Information Gain Atribut Entropy atribut Total Entropy Gain NODE 2 BP2

  2 1 1,522 0,401 P2

  1,500 0,057 0,283 0,354

  Pendapatan Keluarga Pengeluaran Keluarga

  Pinjaman Agunan 1,275 1,203 Simpanan

  4 7 1,493 1,100 1,557 1,386 Lama

  3

  14

  2

  2 1 1,522 0,401 PK3

  5

  3 7 1,384 0,874 P1

  2

  12

  1 1 0,000 0,000 PK4

  2

  19

  Keluarga 0,920

  Hitung kembali nilai gain dan entropy node 1 dengan menggunakan formula yang sama. Hasilnya dapat dilihat pada tabel di bawah ini: Tabel 7. Perhitungan Node 1 Dari tabel 7 dapat diketahui bahwa atribut dengan gain tertinggi adalah Lama Pinjaman, yaitu 1,054.

  1

  1

  2 1 1,500 0,500 LP3 A1

  1

  1

  4 3 1,406 0,937 1,135 1,054 LP2

  1

  6 4 1,459 1,459 1,459 LP1

  6 4 1,322 1,212 A2 1 1 0,000 0,000 SP1

  2

  12

  Atribut Nilai Jumlah Lancar Tidak Lancar Macet Information Gain Atribut Entropy atribut Total Entropy Gain NODE 1 BP1

  Tabel 8. Perhitungan Node 2 Dari tabel 8 dapat diketahui bahwa atribut dengan gain tertinggi adalah simpanan, yaitu 0,354. Dengan demikian simpanan menjadi node cabang yang terdiri dari SP1 (≤5.000.000) dan SP2(>5.000.000). Dari tabel 8 dapat di gambarkan pohon keputusan seperti di bawah ini:

  Gambar 3. Pembentukan Node 1 Selanjutnya adalah perhitungan node 2, hasil perhitungan untuk node 2 adalah seperti tabel di bawah ini:

  Dengan demikian Lama Pinjaman menjadi node cabang yang terdiri dari LP1 (pendek), LP2(menengah), dan LP3(panjang). Dari tabel 7 dapat di gambarkan pohon keputusan seperti di bawah ini:

  1

  1

  1,212 0,977 Simpanan 1,212 Pendapatan

  2 2 1,522 0,634 P1

  4 2 1,379 0,804 0,977 Lama Pinjaman Agunan

  1

  7

  2 2 1,522 0,634 1,438 0,750 P2

  1

  5

  1

  1

  1

  2 2 1,522 0,634 PK3

  1

  1

  1 PK1 PK2

  1

  6 4 1,322 1,212 SP2

• 0,172

Gambar 4. Pembentukan Node 2 Selanjutnya adalah perhitungan node 3, hasil perhitungan untuk node 3 adalah seperti tabel di bawah ini:

  Tabel 9. Perhitungan Node 3

  Tidak Information Entropy Total

Atribut Nilai Jumlah Lancar Macet Gain

Lancar Gain Atribut atribut Entropy

  NODE 3 BP3

  8

  5

  1 2 1,299 1,299 1,299 LP1

  2

  1 1 0,000 0,000 0,000 1,299 Lama LP2

  4

  3 1 0,000 0,000 Pinjaman LP3

  2

  1 1 0,000 0,000 A1

  8

  5

  1 2 1,299 1,299 1,299 - Agunan

A2 0,000 0,000

SP1

  5

  3

  1 1 1,371 0,857 0,857 0,442 Simpanan SP2

  3

  2 1 0,000 0,000 PK1 0,000 0,000 1,299 - Pendapatan PK2 0,000 0,000 Keluarga

  

PK3 0,000 0,000

PK4

  8

  5

  1 2 1,299 1,299 P1 1 1 0,000 0,000 0,000 - Pengeluaran

  Keluarga P2

  7

  5 2 0,000 0,000

  Selanjutnya adalah perhitungan node 5.2 dan menghasilkan rule seperti berikut ini: R1 JIKA Besar Pinjaman 500.000 - 3.000.000 DAN Lama Pinjaman 13 -24 Bulan MAKA Kolektibilitas

  Tidak Lancar R2 JIKA Besar Pinjaman 500.000 - 3.000.000 DAN Lama Pinjaman 1 -12 Bulan DAN Pengeluaran Keluarga

  500.000 - 2.000.000 MAKA Kolektibilitas Macet R3 JIKA Besar Pinjaman 500.000 - 3.000.000 DAN Lama Pinjaman 1 -12 Bulan DAN Pengeluaran Keluarga diatas 2.000.000 DAN Pendapatan Keluarga 4.000.001 - 6.000.000 MAKA Kolektibilitas Tidak Lancar R4 JIKA Besar Pinjaman 500.000 - 3.000.000 DAN Lama Pinjaman 1 -12 Bulan DAN Pengeluaran Keluarga diatas 2.000.000 DAN Pendapatan Keluarga 4.000.001 - 6.000.000 MAKA Kolektibilitas Tidak Lancar R5 JIKA Besar Pinjaman 500.000 - 3.000.000 DAN Lama Pinjaman 1 -12 Bulan DAN Pengeluaran Keluarga diatas 2.000.000 DAN Pendapatan Keluarga >6.000.000 MAKA Kolektibilitas Lancar R6 JIKA Besar Pinjaman 3.000.001 - 5.000.000 DAN Simpanan diatas 5.000.000 MAKA Kolektibilitas

  Tidak Lancar R 7 JIKA Besar Pinjaman 3.000.001 - 5.000.000 DAN Simpanan Di Bawah Atau Sama Dengan 5.000.000

  DAN Pendapatan Keluarga 2.000.000 - 4.000.000 MAKA Kolektibilitas Tidak Lancar R8 JIKA Besar Pinjaman 3.000.001 - 5.000.000 DAN Simpanan Di Bawah Atau Sama Dengan 5.000.000

  DAN Pendapatan Keluarga 4.000.001 - 6.000.000 MAKA Kolektibilitas Lancar R9 JIKA Besar Pinjaman 3.000.001 - 5.000.000 DAN Simpanan dibawah atau sama dengan 5.000.000 DAN

  Pendapatan Keluarga >6.000.000 MAKA Kolektibilitas Macet R10 JIKA Besar Pinjaman 5.000.001 - 7.000.000 DAN Lama Pinjaman 1 -12 Bulan MAKA Kolektibilitas

  Macet R11 JIKA Besar Pinjaman 5.000.001 - 7.000.000 DAN Lama Pinjaman 13 -24 Bulan MAKA Kolektibilitas Lancar

  R12 JIKA Besar Pinjaman 5.000.001 - 7.000.000 DAN Lama Pinjaman diatas 25 Bulan MAKA Kolektibilitas Lancar

  R13 JIKA Besar Pinjaman 7.000.001 - 9.000.000 MAKA Kolektibilitas Lancar R14 JIKA Besar Pinjaman >9.000.000 DAN Pendapatan Keluarga 500.000 - 2.000.000 MAKA Kolektibilitas

  Tidak Lancar R15 JIKA Besar Pinjaman >9.000.000 DAN Pendapatan Keluarga 2.000.000 - 4.000.000 DAN Simpanan dibawah atau sama dengan 5.000.000 MAKA Kolektibilitas Tidak Lancar R16 JIKA Besar Pinjaman >9.000.000 DAN Pendapatan Keluarga 2.000.000 - 4.000.000 DAN Simpanan diatas 5.000.000 MAKA Kolektibilitas Lancar R17 JIKA Besar Pinjaman >9.000.000 DAN Pendapatan Keluarga 4.000.001 - 6.000.000 MAKA Kolektibilitas

  Tidak Lancar R18 JIKA Besar Pinjaman >9.000.000 DAN Pendapatan Keluarga >6.000.000 MAKA Kolektibilitas Lancar

4. KESIMPULAN

  Berdasarkan pembahasan dan implementasi yang dilakukan dengan menggunakan algoritma C5.0 dan pengujian yang dilakukan dengan menggunakan RapidMiner 5.3, maka penulis menarik kesimpulan sebagai berikut:

  1. Pendataan kolektibilitas kredit pada penelitian ini menggunakan 5 atribut pendukung seperti besar pinjaman, lama pinjaman, simpanan, pendapatan keluarga.

  2. Berdasarkan dari 5 atribut pendukung kolektibilitas, besar pinjaman merupakan salah satu pendukung kolektibilitas kredit, tetapi itu tidak bisa dijadikan kesimpulan akhir karena masih banyak faktor-faktor yang mempengaruhi tingkat kolektibilitas kredit.

  3. Pohon keputusan C5.0 membantu untuk membuat suatu keputusan dalam mengidentifikasi suatu permasalahan dan melihat hubungan antara faktor-faktor yang mempengaruhi suatu masalah. Peranan pemecahan masalah.

  4. Aplikasi RapidMiner menggunakan berbagai teknik deskriptif dan prediksi dalam memberikan wawasan kepada pengguna sehingga dapat membuat keputusan yang baik.

  REFERENCES

[1] Sani dan Dedy Suryadi, Pengantar Data Mining Menggali Pengetahuan dari Bongkahan Data, Yogyakarta: CV. Andi Offset,2010

[2] Kusrini and Emha Taufiq, Algoritma Data Mining,Yogyakarta: CV. Andi Offset,2009 [3] Detty,dkk, Get Easy Using Weka, Jakarta, Dapur Buku,2013

[4] Kennedi Tampubolon, et al, “Implementasi Data Mining Algoritma Apriori Pada Sistem Persediaan Alat-alat Kesehatan”, Informasi

dan Teknologi Ilmiah (INTI), volume : I, Nomor: 1,Oktober 2013 [5] Han and Kamber, Data Mining and Concepts and Techniques,United Stated America:Diane Cerra, 2006

  

[6] Iin Ernawati, 2008. Prediksi Status Keaktifan Studi Mahasiswa Dengan Algoritma C5.0 dan K-Nearest Neighbour [online]. Available:

  [7] Holisatul Munawaroh, Et Al, “ Perbandingan Algoritma Id3 Dan C5.0 Dalam Indentifikasi Penjurusan Siswa SMA”, Jurnal Sarjana Teknik Informatika, Vol. 1, No. 1, Juni 2013 [8] Difakar Singh,

  “An Algorithm to Construct Decision Tree for Machine Learning based on Similarity Factor”, International Journal of Aplications (0975 – 8887), Volume 111-No. 10, February 2015 [9]

  E. Buulolo, “ALGORITMA APRIORI PADA DATA PENJUALAN DI SUPERMARKET,” in Seminar Nasional Inovasi dan Teknologi Informasi 2015 (SNITI) , 2015, no. September 2015, pp. 4 –7.

  

[10] E. Buulolo, N. Silalahi, Fadlina, and R. Rahim, “C4.5 Algorithm To Predict the Impact of the Earthquake C4 . 5 Algorithm To Predict

the Impact of the Earthquake,” Int. J. Eng. Res. Technol., vol. 6, no. 2, 2017. [11]

  H. Widayu, S. D. Nasution, N. Silalahi, and M. Mesran, “DATA MINING UNTUK MEMPREDIKSI JENIS TRANSAKSI NASABAH

PADA KOPERASI SIMPAN PINJAM DENGAN ALGORITMA C4.5,” MEDIA Inform. BUDIDARMA, vol. 1, no. 2, Jun. 2017.

[12] Dennis Aprilla, Et Al, Belajar Data Mining dengan RapidMiner,Jakarta ,2011 [13] diakses pada tanggal 25/05/2017 [14] akses pada tanggal 26/05/2017