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 suaturisiko 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 orinability 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 PENDAHULUAN1.1 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 ........................................................ 61SKRIPSI 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 .......................................................... 64SKRIPSI 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 ................................ 66SKRIPSI 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 asingADLN – 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 Bayes1.4 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 Bayes1.5 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"urADLN – 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