RANCANG BANGUN SISTEM PENDUKUNG KEPUTUSAN KLASIFIKASI KELAS RISIKO KREDIT MENGGUNAKAN METODE NAÏVE BAYES SKRIPSI

  SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P

  

RANCANG BANGUN SISTEM PENDUKUNG KEPUTUSAN KLASIFIKASI

KELAS RISIKO KREDIT MENGGUNAKAN METODE NAÏVE BAYES

SKRIPSI

RIESKHA HERMAWAN PUTRA

PROGRAM STUDI S1 SISTEM INFORMASI

FAKULTAS SAINS DAN TEKNOLGI

UNIVESITAS AIRLANGGA

  

2016 SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P

  

ii SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P

  

iii

PEDOMAN PENGGUNAAN SKRIPSI

  

Skripsi ini tidak dipublikasikan, namun tersedia di perpustakaan dalam

lingkungan Universitas Airlangga, diperkenankan unutk dipkai sebagai referensi perpustakaan, tetapi pengutipan harus seizin penyusun dan harus menyebutkan sumbernya sesuai kebiasaan ilmiah.

  Dokumen skripsi ini merupakan hak milik Universitas Airlangga.

  SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P

  

iv SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P

  

v

KATA PENGANTAR

  Puji syukur kehadirat Tuhan Yang Maha Esa, karena atas berkat dan

rahmatnya penulis dapat menyelesaikan proposal skripsi yang berjudul “Rancang

Bangun Sistem Klasifikasi Kelas Risiko Kredit Menggunakan Metode Naïve Bayes”

ini. Terima kasih kepada dosen pembimbing satu, Endah Purwanti, S.Si, M,Kom dan

dosen pembimbing dua, Indah Werdiningsih, S.Si, M.Kom, yang telah memberikan

waktu dan ilmunya untuk membimbing penulis menyelesaikan proposal skripsi ini.

Terima kasih penulis haturkan juga kepada sahabat, keluarga besar S1 Sistem

Informasi 2009, serta semua kawan yang ikut mendukung dan memberi dukungan

moril maupun ilmu selama pengerjaan proposal skripsi ini.

  Pada akhirnya, tiada suatu yang sempurna. Penulis menyadari bahwa masih

banyak terdapat kekurangan dalam proposal skripsi ini sehingga saran dan masukan

yang membangun sangat diharapkan untuk menjadi evaluasi dan peningkatan kualitas

yang lebih baik lagi.

  Surabaya, April 2014 Penulis

  SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P

  

vi

UCAPAN TERIMA KASIH

  SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P

  

vii

  Puji Syukur kepada Allah Subhanahu wa ta’ala, yang telah melimpahkan rahmat

dan hidayah-Nya, sehingga penulis dapat menyelesaikan naskah skripsi yang berjudul

“Rancang Bangun Sistem Pendukung Keputusan Klasifikasi Kelas Risiko Kredit

Menggunakan Metode Naïve Bayes” dengan baik dan lancar.

  Dalam penulisan skripsi ini, banyak pihak yang turut serta membantu dalam

penyelesaian skripsi ini, oleh karena itu penulis ingin mengucapkan terima kasih

kepada.

  

1. Kedua orang tua yang tak pernah lelah memberikan dukungan materil,doa

semangat, dan kasih sayang kepada penulis dalam menyelesaikan penulisan skripsi ini.

  

2. Endah Purwanti, S.Si, M.Kom. sebagai pembimbing I yang senantiasa

membimbing, membantu, dan memberikan ilmu selama masa penulisan skripsi.

  

3. Indah Werdiningsih, S.Si, M.Kom. sebagai pembimbing II yang telah

membimbing, membantu, dan berbagi ilmu dalam penulisan skripsi ini.

  

4. Drs. Kartono, M.Kom. sebagai dosen wali yang yang dengan ikhlas dan sabar

membagi ilmu, memberikan nasihat, bimbingan dan tuntunan kepada penulis dalam pengerjaan skripsi

  

5. Badrus Zaman, S.Kom., M.Cs sebagai ketua program studi S1 Sistem Informasi

yang sudah memberikan perpanjangan masa berlaku proposal.

  SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P

  

viii

  

6. Jajaran Dosen S1 Sistem Informasi yang dengan sabar dan ikhlas membagi

ilmunya kepada penulis.

  

7. Nurul Wahyuni, S.Kom yang sudah membantu dalam penulisan proposal skripsi.

  8. Vuvut Selviana, S.Si yang sudah membantu dalam penulisan skripsi.

  

9. Hario Laskito Ardi, S.Kom, Aditya Prastyo, S.Kom, Ahimsa Denhas Afrizal,

S.Kom, Luthfi Ali, S.Kom, Yulianto S Helli, A.md, Hendra Adi Firmansyah, S.Kom, Swastiko Romadhoni, S.Kom, Sandi Freshtanto, S.Kom, dan Alfian Adipura Nugraha, S.Kom.

  

10. Teman-teman S1 Sistem Informasi 2008, 2009, 2010, 2011, 2012 dan 2013 yang

tidak bisa disebutkan satu per-satu, teimakasih telah menjadi teman yang baik selama masa perkuliahan.

  

Rieskha Hermawan Putra, 2016. Rancang Bangun Sistem Pendukung Keputusan

Klasifikasi Kelas Risiko Kredit Menggunakan Metode Naïve Bayes. Skripsi ini

dibawah bimbingan Endah Purwanti, S.Si, M.Kom dan Indah Werdiningsih, S.Si,

M.Kom. Program Studi S1 Sistem Informasi. Fakultas Sains dan Teknologi,

Universitas Airlangga.

  

ABSTRAK

Risiko kredit atau sering juga disebut dengan default risk merupakan suatu

risiko akibat kegagalan atau ketidakmampuan nasabah mengembalikan jumlah

pinjaman yang diperoleh dari bank beserta bunganya sesuai dengan jangka waktu

yang telah dijadwalkan. Sehingga dibutuhkan suatu sistem komputer yang dapat

mempelajari data historis dari peminjaman kredit secara efektif. Metode Naïve Bayes

adalah suatu pendekatan probabilitas untuk menghasilkan pengklasifikasian

penentuan kemungkinan kelas bagi suatu obyek.

  Pada penelitian ini dalam merancang bangun sistem klasifikasi kelas risiko

kredit menggunakan naïve bayes. Diperlukan model pengklasifikasian dengan tahap

pendefinisian variabel yang digunakan, kemudian tahap yang kedua pendefinisian

probabilitas prior untuk setiap kelas, dan penghitungan probabilitas posteriorX

dengan syarat Ci (P(X|Ci)) untuk setiap kelas. Setelah didapatkan model tersebut,

maka data input calon debitur yang diproses akan menghasilkan probabilitas

posteriorX untuk setiap kelas. Hasil dari posteriorX tersebut akan dilakukan

pemaksimalan dengan cara dikalikan probabilitas prior. Kemudian hasil

pemaksimalan tersebut dibandingkan, apakah pemaksimalan kelas risiko kredit baik

lebih besar dari pada pemaksimalan kelas risiko kredit buruk atau sebaliknya.

Pemaksimalan yang memiliki nilai lebih tinggi adalah kelas risiko kredit dari calon

debitur tersebut.

  Dari hasil penelitian ini dapat disimpulkan bahwa kombinasi atribut yang

memiliki tingkat akurasi tertinggi adalah dengan nilai 72%. Kombinasi tersebut

dihasilkan oleh beberapa kombinasi yang ada, dimana rancangan sistem ini

menggunakan 1000 data record histories debitur, data tersebut digunakan untuk

training sebanyak 950 data dan testing sebanyak 50 data, dibuat berbasis web yang

menggunakan PHP sebagai bahasa pemograman server side, javascript sebagai

bahasa pemograman client side dan MYSQL sebagai database.

  Kata kunci: Kredit, Kelas Risiko,Klasifikasi, Naïve Baiyes

  SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P

  

ix

  

Rieskha Hermawan Putra, 2016. Desaign of Decision Support System For Credit

Risk Grade Classification Using Naïve Bayes Method. This Undergraduate thesis was

under guidance of Endah Purwanti, S.Si, M.Kom and Indah Werdiningsih, S.Si,

M.Kom. Bachelor Degree Information System Study Program Faculty of Science and

Technology, Airlangga University.

  

ABSTRACT

Credit risk or often be called by default risk is a risk due to the failure or

inability of customers to refund the amount of loans obtained from banks and interest

thereon in accordance with a predetermined period of time or scheduled. So it takes a

computer system that can observe the historical data of the credit lending. Naïve

Bayes method is an approach where the probability to generate classification

Combined with prior probability with posterior probabilities to determine the

likelihood of the class for an object.

  There were several stages in this research, to design the classification system

grade credit risks using a naïve Bayes would take a model classification that defined

the variable used for this classification, then the second stage was defined the

probability prior to each class, and the calculation of the probability posteriorX on

condition Ci (P (X | Ci)) for each class. Having obtained the model, then the input

data was processed debtor will generate posteriorX probability for each class. The

results of posteriorX would be done in a way to maximize the probability multiplied

prior. Then by compared the maximize result, whether the maximize good credit class

was greater than maximize bad credit or otherwise. The Maximization result which

had a higher value was the class of the credit risk of the debtor.

  From these results it can be concluded that the combination of attributes that

have the highest degree of accuracy was at a value of 72%. The combination was

produced by some combination of existing, where the system design using 1000 data

was record histories of debtors, the data is used for training as many as 950 data and

testing as many as 50 data, created a web-based using PHP as the programming

language server side, JavaScript as the programming language client side and

MySQL as the database.

  Keywords: Credit, Class of Risk ,Classification, Naïve Baiyes

  SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P

  

x

  

DAFTAR ISI

Halaman

  

HALAMAN JUDUL ..................................................................................................... i

LEMBAR PERNYATAAN ......................................................................................... ii

LEMBAR PENGESAHAN NASKAH SKRIPSI .......................................................iii

PEDOMAN PENGGUNAAN SKRIPSI .................................................................... iv

KATA PENGANTAR ................................................................................................. v

UCAPAN TERIMA KASIH ....................................................................................... vi

ABSTRAK ................................................................................................................viii

ABSTRACT .................................................................................................................. ix

DAFTAR ISI ................................................................................................................ x

DAFTAR TABEL ...................................................................................................... xii

DAFTAR GAMBAR ................................................................................................xiii

DAFTAR LAMPIRAN .............................................................................................. xv

BAB I PENDAHULUAN

  1.1 Latar Belakang ....................................................................................... 1

  1.2 Rumusan Masalah .................................................................................. 4

  1.3 Tujuan .................................................................................................... 5

  1.4 Manfaat .................................................................................................. 5

  1.5 Batasan Masalah ..................................................................................... 5

  SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P

  

xi

  BAB II TINJAUAN PUSTAKA

  2.1 Kredit ...................................................................................................... 8

  2.2 Data Mining .......................................................................................... 13

  2.3 Naïve Bayes Classifier .......................................................................... 16

  BAB III METODE PENELITIAN

  3.1 Pengumpulan Data dan Informasi ....................................................... 20

  3.2 Pengolahan Data dan Informasi .......................................................... 21

  3.3 Analisis Menggunakan Metode Naïve Bayes ...................................... 26

  3.4 Perancangan dan Implementasi Sistem ............................................... 30

  3.5 Evaluasi Sistem .................................................................................... 30

  BAB IV HASIL DAN PEMBAHASAN

  4.1 Pengumpulan Data dan Informasi ....................................................... 33

  4.2 Pengolahan Data dan Informasi .......................................................... 34

  4.3 Analisis Menggunakan Metode Naïve Bayes ...................................... 34

  4.4 Perancangan dan Implementasi Sistem ................................................ 45

  4.5 Evaluasi Sistem ................................................................................... 63

  BAB V KESIMPULAN DAN SARAN

  5.1 Kesimpulan .......................................................................................... 69

  5.2 Saran .................................................................................................... 70 DAFTAR PUSTAKA .............................................................................................. 71

  SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P

  xii

  

DAFTAR GAMBAR

Gambar 3.1 Flowchart Pencarian Model Kombinasi Atribut .................................. 32Gambar 4.1 Flowchart umum SPK Penentuan Kelas Risiko Kredit ....................... 45Gambar 4.2 Algoritma umum SPK Penentuan Kelas Risiko Kredit ....................... 46Gambar 4.3 Flowchart Estimasi Probabilitas data training ..................................... 47Gambar 4.4 Algoritma Estimasi Probabilitas data training ..................................... 47Gambar 4.5 Flowchart Inisialisasi Probabilitas Posterior ....................................... 48Gambar 4.6 Algoritma Inisialisasi Probabilitas Posterior ....................................... 51Gambar 4.7 Flowchart Inisialisasi probabilitas prior .............................................. 53Gambar 4.8 Algoritma Inisialisasi probabilitas prior .............................................. 54Gambar 4.9 Flowchart pemaksimalan ..................................................................... 55Gambar 4.10 Algoritma pemaksimalan ................................................................... 56Gambar 4.11 Flowchart perbandingan hasil pemaksimalan .................................... 56Gambar 4.12 Algoritma perbandingan hasil pemaksimalan .................................... 57Gambar 4.13 Flowchart Penyimpanan hasil klasifikasi .......................................... 58Gambar 4.14 Algoritma Penyimpanan hasil klasifikasi ........................................... 58Gambar 4.15 Input Data Debitur .............................................................................. 59Gambar 4.16 Output klasifikasi kelas risiko kredit Debitur .................................... 60Gambar 4.17 Seting Atribut Uji Akurasi ................................................................. 61Gambar 4.18 Seting Data Testing Uji Akurasi ........................................................ 61

  SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P

  

xiii

Gambar 4.19 Hasil Uji Akurasi ................................................................................ 62Gambar 4.20 Detail Penghitungan Hasil Uji Akurasi .............................................. 62Gambar 4.21 Detail Hasil Klasifikasi debitur .......................................................... 64

  SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P

  

xiv

  

DAFTAR TABEL

Tabel 4.1 Hasil probabilitas posterior X bersyarat C (atribut kategorial) ............... 36Tabel 4.2 Hasil probabilitas posterior X bersyarat C (atribut numerik) ................. 39Tabel 4.3 Data Input Untuk Proses Penghitungan Manual ...................................... 40Tabel 4.4 Data Input Untuk Uji Black Box ............................................................. 62Tabel 4.5 Perbandingan Hasil Implementasi Sistem dengan Data Asli ................... 64Tabel 4.6 Hasil Tingkat Akurasi Untuk Beberapa Kombinasi ................................ 66

  SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P

  

xv

DAFTAR LAMPIRAN

  

Data Training ........................................................................................................... 74

Data Testing ........................................................................................................... 135

  SKRIPSI RANCANG BANGUN SISTEM… RIESKHA H P

  

xvi

BAB I PENDAHULUAN

1.1 Latar Belakang

  Terminologi kredit berasal dari bahasa Latin yaitu “Credere” yang berarti

percaya. Oleh karena itu, berdasarkan pemberian kredit kepada seseorang atau

badan usaha adalah berdasarkan kepercayaan. Pengertian kredit menurut Suyatno

(2003) yang dikutip dari Mardison (2012) adalah: “Kredit atau pinjaman yang

diberikan yaitu penyediaan uang atau tagihan-tagihan yang dapat disamakan

dengan itu berdasarkan persetujuan pihak pinjam meminjam antara bank dengan

pihak lain dalam hal, pihak peminjam berkewajiban melunasi hutangnya setelah

jangka waktu tertentu dengan jumlah bunga yang sudah ditetapkan“.

  Dalam pemberian kredit, unsur kepercayaan adalah hal yang sangat

mendasar yang menciptakan kesepakatan antara pihak yang memberikan kredit

dan pihak yang menerima kredit untuk dapat melaksanakan hak dan kewajiban

yang telah disepakati, baik dari jangka waktu peminjaman sampai masa

pengembalian kredit serta balas jasa yang diperoleh (Fitria dan Sari, 2012).

  Dalam penyaluran kreditnya, kreditur harus siap menghadapi risiko kredit

yang menyebabkan kredit tersebut menjadi bermasalah. Untuk itu, kreditur harus

melakukan perencanaan dan analisis kredit agar bisa mendeteksi kemungkinan

terjadi risiko kredit. Risiko kredit atau sering juga disebut dengan default risk

merupakan suatu risiko akibat kegagalan atau ketidakmampuan nasabah

mengembalikan jumlah pinjaman yang diperoleh dari bank beserta bunganya ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA

  2

sesuai dengan jangka waktu yang telah ditentukan atau dijadwalkan.

  

Ketidakmampuan nasabah memenuhi perjanjian kredit yang disepakati kedua

pihak, secara teknis keadaan tersebut merupakan default (Dahlan Siamat, 2005)

dikutip dari Yusnita (2011).

  Menurut Wiyoto (2009) dalam Ramdhani (2010) tindakan kreditur dalam

usaha menyelamatkan dan menyelesaikan kredit bermasalah salah satunya dapat

dilakukan dengan memperhatikan data historis dari nasabah calon penerima

kredit. Permasalahannya adalah data historis biasanya begitu banyak sehingga

menyebabkan analisa data secara manual menjadi tidak memungkinkan. Sehingga

dibutuhkan suatu sistem komputer yang dapat mempelajari data historis dari

peminjaman kredit. Solusi yang dapat dilakukan adalah dengan menggunakan

teknik data mining sebagai serangkaian proses untuk menggali nilai tambah dari

suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara

manual.

  Salah satu fungsi data mining adalah untuk melakukan klasifikasi. Bentuk

klasifikasi yang dapat digunakan dalam menentukan kelas resiko kredit sebagai

bahan pertimbangan untuk memutuskan nasabah sebagai calon debitur adalah

metode Naive Bayes atau yang sering disebut sebagai Naive Bayes classifier

(NBC). Naïve Bayes adalah suatu pendekatan probabilitas untuk menghasilkan

pengklasifikasian dimana digabungkannya probabilitas kata dengan probabilitas

kategori untuk menentukan kemungkinan kategori bagi suatu obyek (Jiawei Han dan Micheline Kamber, 2001). ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA

  3 Algoritma NBC bertujuan untuk melakukan klasifikasi data pada klas

tertentu . NBC merupakan algoritma klasifikasi yang sangat efektif (mendapatkan

hasil yang tepat) dan efisien (proses penalaran dilakukan memanfaatkan input

yang ada dengan cara yang relatif cepat) (Zhang, 2007). Pada metode ini, semua

atribut akan memberikan kontribusi dalam pengambilan keputusan, dengan bobot

atribut yang sama penting dan setiap atribut saling bebas satu sama

lain.(Kusumadewi, 2009).

  Dalam penelitian ini, data yang digunakan adalah data German Credit yang

diperoleh dari website dengan alamat

.

  

Data tersebut berisi data debitur beserta kriteria yang digunakan dalam

menentukan kelayakan debitur. Sumber data diperoleh dari Professor Dr. Hans

Hofmann dari institute f"ur Statistik und "Okonometrie, Universit"at Hamburg,

FB Wirtschaftswissenschaften, Von-Melle-Park 5, 2000 Hamburg 13. Data

tersebut berjumlah 1000 record yang terdiri dari 20 atribut yaitu: A1: Status

rekening giro, A2:jangka waktu peminjaman, A3: sejarah kredit, A4: tujuan

kredit, A5: jumlah kredit, A6: jumlah simpanan, A7: lama bekerja, A8: biaya

angsuran terhadap sisa pendapatan, A9: status perkawinan dan jenis kelamin,

A10: status orang yang berhutang lainya (penjamin), A11: lama bertempat tinggal,

A12: properti, A13: usia, A14: rencana angsuran lain, A15: tempat tinggal A16:

jumlah kredit sebelumnya, A17: pekerjaan, A18: jumlah tanggungan, A19:

telepon, dan A20: tenaga kerja asing

  ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA

  4 Penggunaan dari ke-20 atribut yang ada belum tentu menghasilkan

klasifikasi kelas resiko kredit dengan akurasi tinggi jika dibandingkan dengan

menggunakan sebagian atribut saja. Oleh karena itu, akan dicari model kombinasi

atribut yang menghasilkan klasifikasi kelas resiko dengan akurasi tertinggi. Proses

pencarian dilakukan dengan cara melakukan percobaan sebanyak kombinasi dari

ke-20 atribut tersebut. Hasil evaluasi dari percobaan untuk setiap kombinasi yang

memiliki nilai keakuratan paling tinggi akan dijadikan sebagai model untuk

klasifikasi kelas resiko kredit.

  Melihat permasalahan diatas, maka untuk menentukan nasabah yang layak

menjadi calon debitur untuk menghindari kredit yang bermasalah dikemudian

hari, maka dibuat sebuah sistem komputer untuk mengklasifikasikan kelas resiko

kredit nasabah sebagai calon debitur dengan memanfaatkan syarat pengajuan

kredit yang digunakan sebagai kriteria-kriteria penilaian. Sistem komputer

tersebut akan dibangun dengan menggunakan metode Naïve Bayes untuk

mengklasifikasikan kelas resiko kredit debitur apakah termasuk kelas resiko kredit

baik atau termasuk kelas resiko kredit buruk (bermasalah) berdasarkan hasil

penilaian dari kriteria-kriteria masing-masing calon debitur.

1.1 Rumusan Masalah

  Berdasarkan latar belakang di atas, maka rumusan masalah dari penelitian ini adalah:

  

1. Bagaimana merancang bangun sistem klasifikasi kelas resiko kredit

menggunakan metode Naïve Bayes?

2. Bagaimana membuat model kombinasi atribut terbaik untuk digunakan pada

  ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA

  5

sistem klasifikasi kelas resiko kredit menggunakan metode Naïve Bayes?

1.2 Tujuan

1. Mermbuat sistem klasifikasi kelas resiko kredit menggunakan metode Naïve

  Bayes

  

2. Menentukan model kombinasi atribut yang terbaik dalam merancang bangun

sistem klasifikasi kelas resiko kredit menggunakan Naïve Bayes

1.4 Manfaat

  Manfaat yang bisa didapat dari penelitian dan penulisan ini adalah sebagai berikut:

1. Dapat memberi rekomendasi terhadap calon debitur yang memiliki kelayakan untuk menjadi debitur secara objektif.

  

2. Penerapan sistem klasifikasi kelas resiko kredit ini dapat memberi solusi yang

lebih obyektif dan konsisten untuk menguatkan proses penentuan nasabah sebagai calon debitur dalam menerima kredit sehingga mengurangi resiko terjadinya kredit macet.

  

3. Dapat dijadikan model untuk pengembangan sistem pada organisasi sejenis di

waktu mendatang

  

4. Memberikan wawasan mengenai bagaimana membuat sistem pada suatu

organisasi, terutama dengan menggunakan metode Naïve Bayes

1.5 Batasan Masalah

  Batasan masalah dari penelitian dan penulisan ini adalah sebagai berikut:

  

1. Pada penelitian kali ini, data yang digunakan merupakan data online German

Credit yang diperoleh dari Professor Dr. Hans Hofmann dari institute f"ur

  ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA

  6 SStatistik und "Okonometrie, Universit"at Hamburg sebanyak 1000 data.

  

2. Dalam merancang bangun SPK terkait penentuan kelas resiko kredit nasabah

sebagai calon debitur sebagai penerima kredit, terdapat 20 kriteria/ atribut yang dijadikan penilaian dalam penelitian ini yaitu :

  a. A1: Status rekening giro,

  b. A2:jangka waktu peminjaman,

  c. A3: sejarah kredit,

  d. A4: tujuan kredit,

  e. A5: jumlah kredit,

  f. A6: jumlah simpanan,

  g. A7: lama bekerja

  h. A8: biaya angsuran terhadap sisa pendapatan i. A9: status perkawinan dan jenis kelamin j. A10: status orang yang berhutang lainya (penjamin) k. A11: lama bertempat tinggal l. A12: properti m. A13: usia, n. A14: rencana angsuran lain o. A15: tempat tinggal p. A16: jumlah kredit sebelumnya q. A17: pekerjaan r. A18: jumlah orang yang ditanggung biaya hidupnya ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA

  7 s. A19: telepon t. A20: tenaga kerja asing 3. Untuk setiap kategori numerik datanya diasumsikan berdistribusi normal.

  

4. Dalam membuat sistem ini, output yang dihasilkan hanya merupakan

klasifikasi kelas resiko kredit, apakah calon debitur termasuk ke dalam kelas resiko kredit baik atau kelas resiko kredit buruk, bukan menentukan apakah kredit yang diajukan oleh debitur akan diterima ataukah tidak.

BAB II TINJAUAN PUSTAKA

2.1 Kredit

  Menurut Suyatno (2003) yang dikutip dari Mardison (2012) , kredit adalah

penyediaan uang atau tagihan- tagihan yang dapat disamakan dengan itu

berdasarkan persetujuan pinjam meminjam antara bank dengan pihak lain dalam

hal mana pihak peinjam berkewajiban melunasi hutangnya setelah jangka waktu

tertentu dengan jumlah bunga yang telah ditetapkan.

  Sedangkan menurut Pasal 1 angka 11 Undang-undang Nomor 10 Tahun

1998 tentang Perubahan Atas Undang-undang Nomor 7 Tahun 1992 tentang

Perbankan, kredit adalah penyediaan uang atau tagihan yang dapat dipersamakan

dengan itu, berdasarkanpersetujuan atau kesepakatan pinjam meminjam antara

bank dengan pihak lain yangmewajibkan pihak peminjam melunasi utangnya

setelah jangka waktu tertentu denganpemberian bunga. Istilah kredit berasal dari

bahasa Yunani “Credere” yang berarti kepercayaan, oleh karena itu dasar dari

kredit adalah kepercayaan. Seseorang atau semua badan yang memberikan kredit

(kreditur) percaya bahwa penerima kredit (debitur) di masa mendatang akan

sanggup memenuhi segala sesuatu yang telah dijanjikan itu dapat berupa barang,

uang atau jasa.

2.1.1 Unsur-Unsur Kredit

  Unsur- unsur yang ada dalam kredit menurut Thomas. S (1998) yang dikutip dalam Rosmilia (2009) adalah: ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA

  9

  1. Kepercayaan Keyakinan pemberi kredit bahwa kredit yang diberikan kepada penerima kredit baik dalam bentuk uang, barang atau jasa akan diterima kembali dalam jangka waktu yang telah ditetapkan daam perjanjian kredit yang telah dibuat dan disetujui oleh kedua belah pihak.

  2. Waktu Tenggang waktu yang memisahkan antara pemberian kredit sampai dengan

pembayaran kredit, dimana ada jangka pendek, menengah dan jangka panjang.

  3. Resiko Tingkat resiko yang akan dihadapi karena adanya jangka waktu dalam pengembalian kredit. Semakin lama kredit diberikan, maka semakin tinggi pula tingkat resikonya. Dengan adanya unsur resiko inilah maka perlu adanya jaminan dalam proses pemberian kredit.

4. Prestasi Disebut juga objek kredit yang dapat berupa uang, barang atau jasa.

  Sedangkan menurut Moh.Toejekam (1998) yang dikutip dalam (Fitria dan Sari, 2012) unsur-unsur yang terkandung dalam pemberian fasilitas kredit adalah sebagai berikut:

a. Waktu Waktu ini mencakup masa pengembalian kredit yang telah disepakati.

  Jangka waktu tersebut menyatakan bahwa ada jarak antara saat pesetujuan pemberian kredit dan pelunasannya. ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA

  10

  b. Kepercayaan Kepercayaan ini yang melandasi pemberian kredit oleh pihak kreditur kepada debitur, bahwa setelah jangka waktu tertentu debitur akan

mengembalikannya sesuai kesepakatan yang disetujui oleh pihak kedua.

  c. Penyerahan Penyerahan ini merupakan pernyataan bahwa pihak kreditur menyerahkan nilai ekonomi kepada debitur yang harus dikembalikannya setelah jatuh tempo.

  d. Risiko Risiko yang menyatakan adanya risiko yang mungkin timbul sepanjang jarak antara saat memberikan dan perlunasannya. Semakin panjang suatu kredit semakin besar risikonya demikian pula sebaliknya. Risiko ini menjadi tanggungan bank, baik yang disengaja oleh nasabah maupun yang tidak di sengaja.

  e. Persetujuan/ Perjanjian Persetujuan/Perjanjian merupakan suatu hal yang menyatakan bahwa antara kreditur dan debitur terdapat suatu persetujuan dan dibuktikan dengan suatu perjanjian.

2.1.2. Prinsip-Prinsip Perkreditan

  Prinsip perkreditan disebut juga sebagai konsep 5C (Robbins dan Mary, 1999).

1. Character

  ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA

  11 Character adalah kejujuran, integritas, stabilitas, motivasi yang ada pada diri peminjam.

  2. Capacity Capacity adalah kemapuan manajemen dari calon peminjam untuk mengelola kas yang cukup untuk memenuhi kewajibannya kepada pihak pemberi pinjaman.

  3. Capital Capital adalah jumlah harta yang dimiliki dibandingkan dengan modal.

  Analisa ini bertujuan untuk mengetahui capital strukture calon peminjam, berapa yang bersumber dari dalam perusahaan sendiri dan berapa yang bersumber dari pihak lain.

  4. Collateral Collateral adalah Aset Peminjam yang diserahkan kepada Kreditur apabila peminjam gagal dalam memenuhi kewajibannya.

  5. Condition Condition adalah situasi dan kondisi politik, sosial, ekonomi, budaya dan lain-lain yang mempengaruhi keadaan perekonomian pada suatu saat maupun kurun waktu tertentu yang kemungkinan akan mempengaruhi kelancaran usaha calon peminjam.

2.1.4 Kredit Bermasalah

  Menurut Tjoekam (2004) kredit bermasalah adalah gambaran dari suatu

kondisi kredit dimana persetujuan pengembalian kredit berupa prinsipal, bunga,

biaya-biaya dan overdraft akan mengalami kegagalan karena tanda- tanda ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA

  12

penyimpangan dibiarkan terakumulasi sehingga menurunkan mutu kredit dan

cenderung menimbulkan kerugian yang potensial bagi bank.

  H. Budi Untung (2000) dalam Rosmalia (2009) menyebutkan kredit macet masih dapat terjadi diantaranya dapat disebabkan karena :

  1. Kesalahan appraisal

  2. Membiayai proyek dari pemilik/ terafiliasi

  3. Membiayai proyek yang direkomendasi oleh kekuatan tertentu

  4. Dampak makro ekonomi/ unforecasted variable

  5. Kenakalan nasabah Sedangkan Siswanto Sutojo (2007) dalam Rosmalia (2009) mengatakan

bahwa kredit bermasalah dapat timbul selain karena sebab-sebab dari pihak

kreditur, sebagian besar kredit bermasalah timbul karena hal-hal yang terjadi pada

pihak debitur, antara lain :

  

1. Menurunnya kondisi usaha bisnis perusahaan yang disebabkan merosotnya

kondisi ekonomi umum dan/ atau bidang usaha dimana mereka beroperasi.

  

2. Adanya salah urus dalam pengelolaan usaha bisnis perusahaan, atau karena

kurang berpengalaman dalam bidang usaha yang mereka tangani.

  

3. Problem keluarga, misalnya perceraian, kematian, sakit yang berkepanjangan,

atau pemborosan dana oleh salah satu atau beberapa orang anggota keluarga debitur.

  4. Kegagalan debitur pada bidang usaha atau perusahaan mereka yang lain.

  5. Kesulitan likuiditas keuangan yang serius.

  ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA

  13

6. Munculnya kejadian di luar kekuasaan debitur, misalnya perang dan bencana alam.

2.2 Data Mining

  Data mining disebut sebagai serangkaian proses untuk menggali nilai tambah

berupa pengetahuan yang selama ini tidak diketahui secara manual dari suatu

kumpulan data (Bustami, 2011). Menurut Badriyah (2008), data mining diartikan

sebagai sustu proses ekstraksi informasi berguna dan potensial dari sekumpulan

data yang terdapat secara implisit dalam suatu basis data. Banyak istilah lain dari

data mining yang dikenal luas seperti Knowledge Mining From Database,

Knowledge Extraction, Data Archeology dan lain sebagainya.

  Dengan diperolehnya informasi- informasi yang berguna dari data yang ada,

hubungan antara item dalam transaksi, maupun informasi- informasi yang

potensial, selanjutnya dapat diteliti dan dianalisa lebih lanjut dari berbagai sudut

pandang.

  Informasi yang ditemukan ini selanjutnya dapat diaplikasikan untuk aplikasi

manajemen, melakukan query processing, pengambilan keputusan dan lain

sebagainya. Dengan semakin berkembangnya kebutuhan akan informasi-

informasi, semakin banyak pula bidang-bidang yang menerapkan konsep data

mining.

  Menurut Fu (2007) terdapat lima macam model dari Data Mining berdasarkan pola yang dicari, yaitu:

a. Asosiasi

  ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA

  14 Model Data Mining untuk mendapatkan hubungn ketergantungan antar barang (produk) pada sekumpulan record yang terdiri atas beberapa produk yang berbeda. Asosiasi merupakan penemuan kebersamaan atau hubungan dari objek-objek. Sebagai contoh toko retail mungkin menemukan bahwa orang- orang sering membeli roti bersama dengan mentega, dan kemudian manager

toko tersebut memutuskan untuk meletakkan mentega tidak jauh dengan roti.

  b. Ringkasan Ringkasan merupakan abstraksi atau generalisasi data. Ringkasan akan menghasilkan himpunan yang lebih kecil yang akan memberikan pandangan umum dari data dan berasal dari pengumpulan informasi. Sebagai contoh panggilan jarak jauh konsumen dapat diringkas pada total menit, total pengeluaran, total panggilan dan lain lain. Ringkasan informasi tersebut, selain panggilan detail dilaporkan pada sales manager untuk analisa konsumen.

  c. Klasifikasi Model data mining untuk mendapatkan model dari kelas variabel target (predicted variable) berdasarkan record- record yang terdiri dari beberapa variabel bebas (predictor variable). Hasil akhir dari klasifikasi ini adalah menentukan kelas suatu record yang sebelumnya tidak diketahui. Untuk melakukan aktifitas ini diperlukan dua buah himpunan data. Himpunan data pertama adalah Training Set yang digunakan utnuk membangun model dan kedua adalah Testing Set yang digunakan untuk menguji model yang dihasilkan. Contoh penggunaan klasifikasi adalah pada kasus penghematan biaya pengiriman brosur penawaran. Pendekatan yang dilakukan adalah dengan

  ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA

  15 menggunakan data historis penawaran produk yang dimiliki sebelumnya, dimana terlihat siapa yang akan membeli dan siapa yang tidak. Dalam hal ini {Membeli dan Tidak Membeli} adalah kelas variabel target (predicted variable). Dengan menggunakan data historis tersebut, dibangun model klasifikasi dengan input berupa variabel bebas (predictor variable).

  d. Klasterisasi Model data mining yang berusaha mengelompokkan data dari sekumpulan data yang mempunyai beberapa attribut yang memiliki kesamaan ke dalam suatu kelompok dan memisahkan data lain ke dalam kelompok yang berbeda apabila tidak memiliki kesamaan. Syarat utnuk melakukan pengelompokan ini adalah berapa banyak kata yang berhubungan dengan salah satu kategori pada masing- masing artikel.

  e. Analisa Tren Identifikasi pola pada evolusi sebuah objek. Salah satu topik dalam analisis tren adalah identifikasi pola pada evolusi sebuah objek, seperti naik, turun, puncak, lembah dan lain- lain. Sebagai contoh, pengestimasian laba perusahaan tahun ini dari laba tahun lalu berdasarkan estimasi peningkatan laba rata-rata tahunan.

2.3 Naïve Bayes Classifier

  Dikutip dari buku Introduction to Data Mining, Naïve Bayes

mengasumsikan bahwa nilai dari sebuah input atribut pada kelas yang diberikan

tidak tergantung dengan nilai dari atribut yang lain. Naive Bayes mengestimasi ADLN – PERPUSTAKAAN UNIVERSITAS AIRLANGGA

  16

peluang kelas bersyarat dengan mengasumsikan bahwa atribut adalah independen

secara bersyarat yang diberi label kelas y (Pang-Ning Tan, et al, 2006).

  Bayes Classification merupakan metode pengklasifikasian statistik yang

dapat memprediksikan probabilitas class keanggotaan seperti probabilitas tupel

milik class yang sudah jelas. Bayes classification melakukan klasifikasi terhadap

algoritma yang memiliki bayesian classifier sederhana agar kinerjanya sebanding

dengan decision tree dan neural network classifier. Bayesian classification juga

memiliki akurasi dan kecepatan yang tinggi ketika diterapkan ke dalam database

yang besar. Naive bayes classifier mengasumsikan nilai dari atibut yang ada di

dalam kelas adalah independent. Asumsi ini disebut juga dengan class-conditional

indoependent yang digunakan untuk menyederhanakan perhitungan yang terlibat.

2.3.1 Bayes Theorem