Aplikasi Klasifikasi Kolektibilitas Kredit Pemilikan Rumah (KPR) Menggunakan Decision Tree C5.0
7
LANDASAN TEORI
2.1. Data Mining
Menurut Gartner Group data mining adalah suatu proses menemukan hubungan yang
berarti, pola dan kecenderungan dengan memeriksa dalam sekumpulan besar data
yang tersimpan dalam penyimpanan dengan menggunakan teknik pengenalan pola
seperti teknik statistic dan matematika (Larose, 2006). Data mining adalah
serangkaian proses untuk menggali nilai tambah dari suatu kumpulan data berupa
pengetahuan yang selama ini tidak diketahui secara manual (Pramudiono, 2006). Data
mining merupakan proses semi otomatik yang menggunakan teknik statistic,
matematika, keceradan buatan dan machine learning untuk mengekstraksi dan
mengidentifikasi informasi pengetahuan yang potensial dan bermanfaat yang
tersimpan di dalam database (Turban et al, 2005).
Defenisi lain dari data mining adalah data mining merupakan bagian dari
proses KDD (Knowledge Discovery in Database) yang terdiri dari beberapa tahapan
seperti pemilihan data, pra-pengolahan, transformasi, data mining dan interpretasi
hasil (Sitompul, 2008). Menurut Han et.al pada tahun 2006, data mining adalah
kegiatan menemukan pola yang menarik dari data dalam jumlah besar, data dapat
disimpan dalam database, data warehouse atau penyimpanan informasi lainnya. Data
mining berkaitan dengan bidang ilmu-ilmu lain, seperti database system, data
warehousing, statistik, machine learning, information retrieval dan komputasi tingkat
tinggi. Selain itu data mining didukung oleh ilmu lain seperti neural network,
pengenalan pola, spatial data analysis, image database dan signal processing.
2.1.1 Tahap-tahap data mining
Universitas Sumatera Utara
8
Gambar 2.1 Tahap-tahap penambangan data (Han, et al.2006)
1. Data Cleaning
Data Cleaning (pembersihan data) merupakan proses yang bertujuan untuk
menghilangkan atau membersihkan data dari hal-hal yang tidak perlu seperti,
noise, record-record yang keliru atau atribut yang tidak memiliki keterkaitan satu
sama lain. Proses ini berguna untuk memudahkan dalam proses data mining
dimana data yang tidak perlu akan dibuang dan menghasilkan data yang hanya
diperlukan saja sehingga efektif dalam proses data mining.
2. Data Integrasi
Data yang digunakan dalam proses penggalian data tidak hanya berasal dari satu
sumber data saja, melainkan dari beberapa sumber data atau database. Proses ini
bertujuan untuk melakukan penggabungan sejumlah sumber data yang disatukan
dalam sebuah data warehouse.
3. Data Transformation
Universitas Sumatera Utara
9
Proses ini bertujuan untuk mengubah data menjadi informasi dengan standard
yang sesuai dengan kebutuhan data.
4. Data Mining
Merupakan proses penambangan/penggalian data dengan teknik dan metode yang
dibutuhkan. Dalam kasus ini digunakan algoritma C5.0 dengan metode decision
tree (pohon keputusan).
5. Knowledge Learn
Proses ini adalah proses akhir dimana hasil yang diperoleh dari penggalian data
diidentifikasi dan dievaluasi pola-pola yang ada untuk menilai apakah target yang
dicapai telah tercapai. Jika hasil yang diperoleh tidak sesuai, maka dapat diambil
aksi yang lain seperti decision support (pendukung keputusan) untuk
memperbaiki proses mining atau mencoba metode lain dari data mining yang
lebih sesuai. Proses ini akan memformulasikan penggunaannya pada data lain
yang lebih sesuai. Atau jika tidak sesuai dapat digunakan sebagai hasil yang salah
yang bermanfaat sebagai bahan pembelajaran dimasa depan.
2.1.2 Pengelompokan Data Mining
Berdasarkan tugas yang dapat dilakukan, data mining dibagi menjadi beberapa
kelompok, yaitu (Larose, 2006)
1. Deskripsi
Terkadang peneliti dan analisis secara sederhana ingin mencoba mencari cara
untuk menggambarkan pola dan kecenderungan yang terdapat dalam data. sebagai
contoh, petugas pengumpulan suara mungkin tidak dapat menemukan keterangan
keterangan atau fakta bahwa siapa yang tidak cukup professional akan sedikit
didukung dalam pemilihan presiden. Deksripsi dari pola dan kecenderungan
sering
memberikan
kemungkinan
penjelasan
untuk
suatu
pola
atau
kecenderungan.
2. Estimasi
Universitas Sumatera Utara
10
Model dibangun menggunakan record lengkap yang menyediakan nilai dari
variabel target sebagai nilai prediksi, kemudian etimasi nilai dari variabel target
dibuat berdasarkan nilai variabel prediksi. Perbedaan estimasi dengan klasifikasi
adalah variabel target estimasi lebih ke arah numeric dari pada kategori
3. Klasifikasi
Klasifikasi adalah fungsi pembelajaran yang memetakan (mengklasifikasi) sebuah
unsur (item) data ke dalam salah satu dari beberapa kelas yang sudah
didefinisikan. Dalam klasifikasi terdapat target variabel kategori. Sebagai contoh
penerapan klasifikasi dalam menentukan layak tidaknya kredit sepeda motor,
klasifikasi data konsumen telemarketing untuk deposito pada bank.
4. Prediksi
Prediksi adalah proses memperkirakan sesuatu berdasarkan data atau informasi di
masa lalu dan masa sekarang yang mungkin terjadi dimasa yang akan datang
dengan menggunakan pemodelan klasifikasi agar kesalahannya dapat diperkecil.
Prediksi tidak harus benar, melainkan berusaha mencari jawaban sedekat
mungkin yang akan terjadi. Sehingga dapat disimpulkan nilai dari hasil prediksi
akan ada di masa yang akan datang.
5. Asosiasi
Asosiasi berugas untuk menemukan atribut yang muncul dalam suatu waktu.
Sebagai contoh untuk menemukan barang dalam supermarket yang dibeli secara
bersamaan dan barang yang tidak pernah dibeli bersamaan.
6. Pengklusteran
Kluster adalah kumpulan record yang memiliki kemiripan satu sama lain dan
memiliki ketidakmiripan dengan record dalam kluster lain. Pengklusteran tidak
memiliki variabel target, melainkan melakukan pembagian terhadap keseluruhan
data menjadi kelompok-kelompok yang memiliki kemiripan (homogen) yang
bernilai minimal.
Dalam penelitian ini penulis menggunakan pengelompokan data mining prediksi
dengan algoritma C5.0 decision tree.
Universitas Sumatera Utara
11
2.2 Decision Tree (Pohon Keputusan)
Decision tree adalah struktur flowchart yang menyerupai tree (pohon), dimana setiap
simpul internal menandakan suatu tes pada atribut, dimana setiap cabang
merepresentasikan hasil tes, dan simpul daun merepresentasikan kelas distribusi kelas.
Alur pada decision tree ditelusuri dari simpul akar ke simpul daun yang memegang
prediksi kelas (Kusnawi, 2007). Pohon keputusan terdiri dari node yang membentuk
pohon yang berakar, semua node memiliki satu masukan. Node yang keluar disebut
node tes. Node yang lain disebut node keputusan atau sering disebut node daun. Setiap
simpul internal membagi dua atau lebih sub-ruang sesuai dengan kategori atribut dan
akan dipartisi sesuai dengan nilai kategori kasus. Kasus-kasus tersebut membentuk
pohon keputusan, yang menghasilkan problem solving (Kusrini, 2007).
Decision tree adalah teknik model prediksi yang digunakan pada klasifikasi,
clustering dan prediksi tugas. Decision tree menggunakan teknik „membagi dan
menaklukkan‟ untuk membagi ruang pencarian masalah menjadi himpunan masalah
(Dunham, 2003). Decision Tree (Pohon Keputusan) merupakan salah satu metode
klasifikasi yang tujuannya untuk menciptakan sebuah model yang memprediksi nilai
variabel target dengan aturan-aturan keputusan yang disimpulkan dari sejumlah data.
Dalam menerapkan metode ini dilakukan dua tahapan yaitu, membangun pohon
keputusan dan membangun aturan-aturan keputusan (rule).
2.2.1 Konsep Decision Tree
Konsep data dalam decision tree adalah mengubah data menjadi pohon keputusan dan
aturan-aturan keputusan (rule). Data dinyatakan dalam bentuk tabel yaitu dengan
atribut dan record. Atribut menyatakan suatu parameter yang dibuat sebagai kriteria
dalam pembentukan tree. Atribut memiliki nilai yang menjadi target atribut yang
disebut instance. Konsep decision tree dapat dilihat pada Gambar 2.2
Data
Decision Tree
Rule
Gambar 2.2 Konsep Decision Tree
Universitas Sumatera Utara
12
2.2.2 Manfaat Decision Tree
Decision Tree (Pohon Keputusan) merupakan metode klasifikasi yang paling populer
karena mudah untuk diinterpretasi oleh manusia, yang kemudian membentuk model
prediksi menggunakan struktur pohon keputusan. Manfaat utama dari penggunaan
decision tree adalah mampu mem-break down proses pengambilan keputusan yang
kompleks menjadi lebih simpel sehingga akan lebih mudah menginterpretasikan solusi
dari permasalahan. Manfaat lainnya adalah untuk mengeksplorasi data dan
pemodelan, sehingga sangat baik digunakan untuk langkah awal dalam proses
pemodelan.
2.2.3 Kelebihan Decision Tree
Kelebihan decision tree (Simarmata, 2005) :
a. Daerah pengambilan keputusan yang sebelumnya kompleks dan sangat global,
dapat diubah menjadi lebih simple dan spesifik.
b. Eliminasi
perhitungan-perhitungan
yang
tidak
diperlukan,
karena
ketika
menggunakan metode pohon keputusan maka sample diuji hanya berdasarkan
kriteria atau kelas tertentu.
c. Fleksibel untuk memilih fitur dari internal node yang berbeda, fitur yang terpilih
akan membedakan suatu kriteria dibandingkan kriteria yang lain dalam node yang
sama. Kefleksibelan metode pohon keputusan ini meningkatkan kualitas keputusan
yang dihasilkan jika dibandingkan ketika menggunakan metode penghitungan satu
tahap yang lebih konvensional.
d. Dalam analisis multivariate, dengan kriteria dan kelas yang jumlahnya sangat
banyak, seorang penguji biasanya perlu untuk mengestimasikan baik itu distribusi
dimensi tinggi ataupun parameter tertentu dari distribusi kelas tersebut. Metode
pohon keputusan dapat menghindari munculnya permasalahan ini dengan
menggunakan kriteria yang jumlahnya lebih sedikit pada setiap node internal tanpa
banyak mengurangi kualitas keputusan yang dihasilkan.
Universitas Sumatera Utara
13
2.2.4 Kekurangan Decision Tree
a. Terjadi overlap terutama ketika kelas-kelas dan kriteria yang digunakan
jumlahnyasangant banyak. Hal tersebut juga dapat menyebankan meningkatnya
waktu pengambilan keputusan dan jumlah memory yang diperlukan.
b. Pengakumulasian jumlah error dari setiap level dalam sebuah pohon keputusan
yang besar.
c. Kesulitan dalam mendesain decision tree yang optimal. Hasil kualitas keputusan
yang didapatkan dari metode decision tree sangat tergantung pada bagaimana
pohon tersebut didesain.
2.3 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.
Proses decision tree adalah mengubah bentuk data (tabel) menjadi model
pohon, mengubah model pohon menjadi rule dan menyederhanakan rule (Basuki et
al., 2003). Dalam membentuk pohon keputusan dengan algoritma C5.0 digunakan
entropy dan information gain untuk menentukan akar node. Gain dengan nilai
tertinggi akan menjadi node akar dari entropy terkecil tiap atribut. Berikut persamaan
untuk menghitung gain atribut :
Gain(S, A) = Entropy(S) - ∑
*Entropy (Si)……..
Dengan:
S
A
n
|Si|
|S|
: Himpunan kasus
: Atribut
: Jumlah partisi atribut A
: Jumlah kasus pada partisi ke i
: Jumlah kasus dalam S
Universitas Sumatera Utara
14
Sementara itu untuk menghitung nilai entropy dapat dilihat pada persamaan berikut :
Entropy(S) = ∑
………………………………............
Dengan :
S
n
pi
: Himpunan kasus
: Jumlah partisi S
: Proporsi dari Si terhadap S
2.4 Bank
Bank adalah badan usaha yang menghimpun dana dari masyarakat dalam bentuk
simpanan dan menyalurkannya kepada masyarakat dalam bentuk kredit dan/atau
bentuk-bentuk lainnya dalam rangka meningkatkan taraf hidup rakyat banyak (UU
No.7 tahun 1992). Bank memberikan pelayanan terbaik kepada nasabah melalui
beberapa fasilitas seperti, unit usaha konvensional, unit usaha syariah dan sentra usaha
mikro kecil (UMK). Unit usaha konvensional memiliki beberapa pelayanan seperti
tabungan, giro, deposito, kredit, kredit pemilikan rumah (KPR), anjungan tunai
mandiri (ATM), SMS banking dan real-time gross settlement (RTGS). Pada penelitian
ini
penulis
mengangkat
judul
yang
berkaitan
dengan
KPR.
Bank memiliki peranan penting bagi masyarakat khususnya masyarakat
kalangan menengah ke atas. Tidak lagi hanya sebatas menabung, bank juga memiliki
manfaat yang besar bagi masyarakat/nasabah. Berbagai kepentingan hidup di masa
sekarang membutuhkan bank sebagai alat untuk memenuhi kebutuhan. Untuk
membayar tagihan listrik, belanja hingga membangun rumah, semuanya dapat
dilakukan melalui bank. Kemudahan inilah yang membuat bank memiliki perananan
penting bagi masyarakat di masa sekarang.
2.4.1 Kredit
Menurut OP. Simorangkir dan H. Budi Untung, kredit adalah pemberian prestasi
(misalnya uang dan barang) dengan balas prestasi (kontraprestasi) yang akan terjadi
pada waktu yang akan datang. Kehidupan ekonomi modern adalah prestasi uang, yang
Universitas Sumatera Utara
15
dengan demikian transaksi kredit menyangkut uang sebagai alat kredit. Kredit
berfungsi kooperatif antara si pemberi kredit dan si penerima kredit atau antara kredit
dengan debitur. Mereka menarik keuntungan dan saling menanggung risiko.
Singkatnya, kredit dalam arti luas didasarkan atas komponen kepercayaan, risiko dan
pertukaran ekonomi di masa-masa mendatang.
Kredit merupakan salah satu system yang diberlakukan pihak bank dalam
memberikan kemudahan kepada nasabah. Namun pengertian kredit bank yang
berprinsip konvensional tidak hanya membayar secara tradisional, tetapi juga meliputi
perjanjian kredit, jaminan, pengambilan tagihan dan bunga. Sedangkan untuk bank
yang beroperasi dengan prinsip syariah, bentuk penyediaan atau penerimaan dana
kepada nasabahnya dengan prinsip bagi hasil yang sesuai dengan prinsip syariah.
Menurut Munir Fuadi, kredit berarti kepecayaan. Kata kredit berasal dari bahasa Latin
yaitu “creditus” yang berarti to trust. Dengan kata lain kredit mengandung unsur
“kepercayaan”, walaupun tidak hanya sekedar kepercayaan.
Kolektibilitas adalah keadaan pembayaran pokok atau angsuran pokok dan
bunga kredit oleh nasabah serta tingkat kemungkinan diterimanya kembali dana yang
ditanamkan dalm surat-surat berharga atau penanaman lainnya. Pada dasarnya dalam
menentukan status kredit nasabah, Bank Indonesia memiliki kolektibilitas
(penggolongan) kredit yang dikelompokkan terhadap 5 kelompok yaitu, kredit lancar,
kredit perhatian khusus (special mention), kredit kurang lancar, kredit diragukan dan
kredit macet. Penjelasan kolektibilitas dapat dilihat pada tabel 2.1
Universitas Sumatera Utara
16
Tabel 2.1 Kolektibilitas Kredit (Ketentuan Bank Indonesia)
Kolektibilitas
Kredit
Keterangan
Kolektibilitas
Konsekuensi
Keterangan
Kredit
Kredit
Pembayaran tepat
waktu, pembayaran
rekening baik dan
1
Lancar
Kolektibilitas
tidak ada
tunggakan serta
sesuai dengan
persyaratan kredit.
1) Kartu dalam
status aktif
2) Kartu tidak
terblokir, kartu
masih dapat
digunakan
1)Dikenakan biaya
keterlambatan
(jika ada)
2) Kartu akan
terblokir
sementara untuk
2
Dalam Perhatian
Khusus
Apabila terdapat
keterlambatan
tunggakan
pembayaran
pembayaran pokok
sampai dengan 59
dan atau bunga
hari. Di atas 60
sampai dengan 90
hari, kartu akan
(Sembilan puluh)
terblokir
hari.
permanen, kartu
tidak dapat
digunakan.
3)Kegiatan
penagihan melalui
telepon dan
kunjungandimulai.
Universitas Sumatera Utara
17
Tabel 2.1 Kolektibilitas Kredit (Ketentuan Bank Indonesia) (lanjutan)
Kolektibilitas
Kredit
Keterangan
Konsekuensi
Keterangan
Kolektibilitas
Kolektibilitas
Kredit
Kredit
Apabila
terdapat
tunggakan
pembayaran pokok
dan
3
Kurang Lancar
atau
yang
bunga
telah
melampaui
(Sembilan
90
puluh)
hari sampai dengan
120 (seratus dua
puluh) hari.
Apabila
tunggakan
1)Kegiatan
penagihan melalui
telepon
dan
kunjungan
dilanjutkan
2) Kartu terblokir
secara permanen,
kartu tidak dapat
digunakan.
terdapat
1)Kegiatan
pembayaran pokok penagihan melalui
dan
atau
yang
4
Diragukan
melampaui
bunga telepon
dan
telah kunjungan
120 dilanjutkan
(seratus dua puluh) 2) Kartu terblokir
hari sampai dengan secara permanen,
180
delapan
(seratus kartu tidak dapat
puluh) digunakan.
hari.
Universitas Sumatera Utara
18
Tabel 2.1 Kolektibilitas Kredit (Ketentuan Bank Indonesia) (lanjutan)
Kolektibilitas
Kredit
Keterangan
Konsekuensi
Keterangan
Kolektibilitas
Kredit
Kolektibilitas
Kredit
1)Kegiatan
penagihan melalui
Apabila
terdapat
tunggakan
pembayaran pokok
5
Macet
dan
atau
yang
melampaui
(seratus
puluh) hari.
bunga
telah
180
delapan
telepon
dan
kunjungan
dilanjutkan
2) Kartu terblokir
secara permanen,
kartu tidak dapat
digunakan.
3) Pengalihdayaan
kegiatan
penagihan
ke
pihak ketiga
2.4.2 Analisa Kredit
Analisa kredit adalah penilaian terhadap calon kreditur dan usahanya, dan sebagai
alternatif dalam pertimbangan keputusan kredit. Tujuan dilakukannya analisis adalah
untuk melihat kondisi dan potensi calon kreditur apakah layak/ tidaknya diberikan
kredit atau dibantu pembiayaan kredit.
Menurut Siswanto (2004) analisis kredit pada dasarnya menggunakan prinsip 5C,
yaitu :
1. Character, menilai tingkah laku debitur, apakah mempunyai sifat yang baik dan
dapat dipercaya, sehingga pihak bank yakin debitur akan mampu mengembalikan
Universitas Sumatera Utara
19
kredit tepat waktu dan tidak termasuk dalam daftar black list atau daftar kredit
macet.
2. Capacity, mempelajari dan memastikan bahwa debitur mampu membayar
kreditnya dilihat dari pengalaman pengalaman usahanya, pendidikannya, selama
berhubungan dengan bank.
3. Capital, untuk memastikan bahwa debitur mempunyai modal yang cukup guna
menutupi apabila terjadi kerugian.
4. Collateral, memastikan apakah agunan/jaminan yang diserahkan cukup dan suratsuratnya lengkap sesuai dengan ketentuan, untuk menutup resiko kredit apabila
tidak dapat dapat dilunaskan.
5. Condition of Economy, mempelajari dan memastikan apakah keadaan pereonomian
bersifat menunjang atau menghambat usaha debitur, yang dapat berpengaruh atas
kelancaran kredit yang diberikan dan hendaknya juga dinilai kondisi ekonomi
sekarang dan untuk masa yang akan datang sesuai sektor masiing-masing.
Dalam penelitian ini penulis mengklasifikasikan nasabah yang telah memiliki track
record dalam kredit KPR.
2.4.3 Kredit Pemilikan Rumah (KPR)
KPR merupakan bagian dari unit usaha konvensional yang banyak dipilih nasabah
dalam memenuhi kepentingan tempat tinggal. KPR memudahkan nasabah dalam
membangun atau membeli rumah. KPR adalah kredit yang diberikan pihak bank
kepada nasabah untuk mendirikan rumah/ruko/bangunan diatas sebuah lahan dengan
jaminan sertifikat kepemilikan atas rumah dan lahan itu sendiri.
2.5 Penelitian Terdahulu
Adapun beberapa penelitian terdahulu yang berkaitan dengan prediksi kolektibilitas
KPR antara lain :
1. Model prediksi status kredit nasabah koperasi simpan pinjam mitra usaha syariah
(Septiana et al, 2013)
Universitas Sumatera Utara
20
2. System pendukung keputusan kredit sepeda motor dengan metode decision tree.
System ini bertujuan sebagai pendukung keputusan dalam menentukan layak atau
tidak layaknya pemberian kredit sepeda motor kepada calon pembeli (Agustina
Manurung, 2011).
3. Analisis dan implementasi decision tree untuk klasifikasi data konsumen
telemarketing untuk deposito pada bank menggunakan algoritma C4.5. System ini
menampilkan konsumen yang akan mendepositokan uang dengan mengolah data
untuk dicari pola agar bisa bermanfaat (Gelar Nurcahya, 2013).
4. Metode C5.0 untuk mengklasifikasi prestasi akademik mahasiswa program studi
matematika fakultas matematika dan ilmu pengetahuan alam dengan bahasa
pemrograman Delphi 7.0 sehingga memperoleh hasil klasifikasi yang lebih akurat
dan maksimal (Muhammad Musyafa, 2012)
5. Penerapan algoritma C5.0 dalam pengklasifikasian data mahasiswa Universitas
Negeri Gorontalo. Penelitian ini bertujuan untuk mengklasifikasikan data historis
mahasiswa dengan menggunakan algoritma C5.0. Hasil pengujian dengan
menggunakan teknik k-fold cross validation diperoleh akurasi tertinggi dari
prediksi IPK sebesar 79,3% dan 86,7% untuk lama studi. (Irene et al, 2014)
6. Aplikasi data mining menggunakan metode decision tree untuk evaluasi kinerja
motor servo dengan algoritma C4.5. Penelitian ini difokuskan untuk
mengevaluasi kinerja motor servo dengan melakukan percobaan pada beban dan
tegangan input yang berbeda dalam dua keadaan loop serta diklasifikasikan dalam
kategori perputaran motor yang termasuk cepat, cukup cepat dan lambat. Hasil
penelitian yang diperoleh adalah sama dengan hasil kategori data sebenarnya.
(Aryansyah, 2014)
Universitas Sumatera Utara
LANDASAN TEORI
2.1. Data Mining
Menurut Gartner Group data mining adalah suatu proses menemukan hubungan yang
berarti, pola dan kecenderungan dengan memeriksa dalam sekumpulan besar data
yang tersimpan dalam penyimpanan dengan menggunakan teknik pengenalan pola
seperti teknik statistic dan matematika (Larose, 2006). Data mining adalah
serangkaian proses untuk menggali nilai tambah dari suatu kumpulan data berupa
pengetahuan yang selama ini tidak diketahui secara manual (Pramudiono, 2006). Data
mining merupakan proses semi otomatik yang menggunakan teknik statistic,
matematika, keceradan buatan dan machine learning untuk mengekstraksi dan
mengidentifikasi informasi pengetahuan yang potensial dan bermanfaat yang
tersimpan di dalam database (Turban et al, 2005).
Defenisi lain dari data mining adalah data mining merupakan bagian dari
proses KDD (Knowledge Discovery in Database) yang terdiri dari beberapa tahapan
seperti pemilihan data, pra-pengolahan, transformasi, data mining dan interpretasi
hasil (Sitompul, 2008). Menurut Han et.al pada tahun 2006, data mining adalah
kegiatan menemukan pola yang menarik dari data dalam jumlah besar, data dapat
disimpan dalam database, data warehouse atau penyimpanan informasi lainnya. Data
mining berkaitan dengan bidang ilmu-ilmu lain, seperti database system, data
warehousing, statistik, machine learning, information retrieval dan komputasi tingkat
tinggi. Selain itu data mining didukung oleh ilmu lain seperti neural network,
pengenalan pola, spatial data analysis, image database dan signal processing.
2.1.1 Tahap-tahap data mining
Universitas Sumatera Utara
8
Gambar 2.1 Tahap-tahap penambangan data (Han, et al.2006)
1. Data Cleaning
Data Cleaning (pembersihan data) merupakan proses yang bertujuan untuk
menghilangkan atau membersihkan data dari hal-hal yang tidak perlu seperti,
noise, record-record yang keliru atau atribut yang tidak memiliki keterkaitan satu
sama lain. Proses ini berguna untuk memudahkan dalam proses data mining
dimana data yang tidak perlu akan dibuang dan menghasilkan data yang hanya
diperlukan saja sehingga efektif dalam proses data mining.
2. Data Integrasi
Data yang digunakan dalam proses penggalian data tidak hanya berasal dari satu
sumber data saja, melainkan dari beberapa sumber data atau database. Proses ini
bertujuan untuk melakukan penggabungan sejumlah sumber data yang disatukan
dalam sebuah data warehouse.
3. Data Transformation
Universitas Sumatera Utara
9
Proses ini bertujuan untuk mengubah data menjadi informasi dengan standard
yang sesuai dengan kebutuhan data.
4. Data Mining
Merupakan proses penambangan/penggalian data dengan teknik dan metode yang
dibutuhkan. Dalam kasus ini digunakan algoritma C5.0 dengan metode decision
tree (pohon keputusan).
5. Knowledge Learn
Proses ini adalah proses akhir dimana hasil yang diperoleh dari penggalian data
diidentifikasi dan dievaluasi pola-pola yang ada untuk menilai apakah target yang
dicapai telah tercapai. Jika hasil yang diperoleh tidak sesuai, maka dapat diambil
aksi yang lain seperti decision support (pendukung keputusan) untuk
memperbaiki proses mining atau mencoba metode lain dari data mining yang
lebih sesuai. Proses ini akan memformulasikan penggunaannya pada data lain
yang lebih sesuai. Atau jika tidak sesuai dapat digunakan sebagai hasil yang salah
yang bermanfaat sebagai bahan pembelajaran dimasa depan.
2.1.2 Pengelompokan Data Mining
Berdasarkan tugas yang dapat dilakukan, data mining dibagi menjadi beberapa
kelompok, yaitu (Larose, 2006)
1. Deskripsi
Terkadang peneliti dan analisis secara sederhana ingin mencoba mencari cara
untuk menggambarkan pola dan kecenderungan yang terdapat dalam data. sebagai
contoh, petugas pengumpulan suara mungkin tidak dapat menemukan keterangan
keterangan atau fakta bahwa siapa yang tidak cukup professional akan sedikit
didukung dalam pemilihan presiden. Deksripsi dari pola dan kecenderungan
sering
memberikan
kemungkinan
penjelasan
untuk
suatu
pola
atau
kecenderungan.
2. Estimasi
Universitas Sumatera Utara
10
Model dibangun menggunakan record lengkap yang menyediakan nilai dari
variabel target sebagai nilai prediksi, kemudian etimasi nilai dari variabel target
dibuat berdasarkan nilai variabel prediksi. Perbedaan estimasi dengan klasifikasi
adalah variabel target estimasi lebih ke arah numeric dari pada kategori
3. Klasifikasi
Klasifikasi adalah fungsi pembelajaran yang memetakan (mengklasifikasi) sebuah
unsur (item) data ke dalam salah satu dari beberapa kelas yang sudah
didefinisikan. Dalam klasifikasi terdapat target variabel kategori. Sebagai contoh
penerapan klasifikasi dalam menentukan layak tidaknya kredit sepeda motor,
klasifikasi data konsumen telemarketing untuk deposito pada bank.
4. Prediksi
Prediksi adalah proses memperkirakan sesuatu berdasarkan data atau informasi di
masa lalu dan masa sekarang yang mungkin terjadi dimasa yang akan datang
dengan menggunakan pemodelan klasifikasi agar kesalahannya dapat diperkecil.
Prediksi tidak harus benar, melainkan berusaha mencari jawaban sedekat
mungkin yang akan terjadi. Sehingga dapat disimpulkan nilai dari hasil prediksi
akan ada di masa yang akan datang.
5. Asosiasi
Asosiasi berugas untuk menemukan atribut yang muncul dalam suatu waktu.
Sebagai contoh untuk menemukan barang dalam supermarket yang dibeli secara
bersamaan dan barang yang tidak pernah dibeli bersamaan.
6. Pengklusteran
Kluster adalah kumpulan record yang memiliki kemiripan satu sama lain dan
memiliki ketidakmiripan dengan record dalam kluster lain. Pengklusteran tidak
memiliki variabel target, melainkan melakukan pembagian terhadap keseluruhan
data menjadi kelompok-kelompok yang memiliki kemiripan (homogen) yang
bernilai minimal.
Dalam penelitian ini penulis menggunakan pengelompokan data mining prediksi
dengan algoritma C5.0 decision tree.
Universitas Sumatera Utara
11
2.2 Decision Tree (Pohon Keputusan)
Decision tree adalah struktur flowchart yang menyerupai tree (pohon), dimana setiap
simpul internal menandakan suatu tes pada atribut, dimana setiap cabang
merepresentasikan hasil tes, dan simpul daun merepresentasikan kelas distribusi kelas.
Alur pada decision tree ditelusuri dari simpul akar ke simpul daun yang memegang
prediksi kelas (Kusnawi, 2007). Pohon keputusan terdiri dari node yang membentuk
pohon yang berakar, semua node memiliki satu masukan. Node yang keluar disebut
node tes. Node yang lain disebut node keputusan atau sering disebut node daun. Setiap
simpul internal membagi dua atau lebih sub-ruang sesuai dengan kategori atribut dan
akan dipartisi sesuai dengan nilai kategori kasus. Kasus-kasus tersebut membentuk
pohon keputusan, yang menghasilkan problem solving (Kusrini, 2007).
Decision tree adalah teknik model prediksi yang digunakan pada klasifikasi,
clustering dan prediksi tugas. Decision tree menggunakan teknik „membagi dan
menaklukkan‟ untuk membagi ruang pencarian masalah menjadi himpunan masalah
(Dunham, 2003). Decision Tree (Pohon Keputusan) merupakan salah satu metode
klasifikasi yang tujuannya untuk menciptakan sebuah model yang memprediksi nilai
variabel target dengan aturan-aturan keputusan yang disimpulkan dari sejumlah data.
Dalam menerapkan metode ini dilakukan dua tahapan yaitu, membangun pohon
keputusan dan membangun aturan-aturan keputusan (rule).
2.2.1 Konsep Decision Tree
Konsep data dalam decision tree adalah mengubah data menjadi pohon keputusan dan
aturan-aturan keputusan (rule). Data dinyatakan dalam bentuk tabel yaitu dengan
atribut dan record. Atribut menyatakan suatu parameter yang dibuat sebagai kriteria
dalam pembentukan tree. Atribut memiliki nilai yang menjadi target atribut yang
disebut instance. Konsep decision tree dapat dilihat pada Gambar 2.2
Data
Decision Tree
Rule
Gambar 2.2 Konsep Decision Tree
Universitas Sumatera Utara
12
2.2.2 Manfaat Decision Tree
Decision Tree (Pohon Keputusan) merupakan metode klasifikasi yang paling populer
karena mudah untuk diinterpretasi oleh manusia, yang kemudian membentuk model
prediksi menggunakan struktur pohon keputusan. Manfaat utama dari penggunaan
decision tree adalah mampu mem-break down proses pengambilan keputusan yang
kompleks menjadi lebih simpel sehingga akan lebih mudah menginterpretasikan solusi
dari permasalahan. Manfaat lainnya adalah untuk mengeksplorasi data dan
pemodelan, sehingga sangat baik digunakan untuk langkah awal dalam proses
pemodelan.
2.2.3 Kelebihan Decision Tree
Kelebihan decision tree (Simarmata, 2005) :
a. Daerah pengambilan keputusan yang sebelumnya kompleks dan sangat global,
dapat diubah menjadi lebih simple dan spesifik.
b. Eliminasi
perhitungan-perhitungan
yang
tidak
diperlukan,
karena
ketika
menggunakan metode pohon keputusan maka sample diuji hanya berdasarkan
kriteria atau kelas tertentu.
c. Fleksibel untuk memilih fitur dari internal node yang berbeda, fitur yang terpilih
akan membedakan suatu kriteria dibandingkan kriteria yang lain dalam node yang
sama. Kefleksibelan metode pohon keputusan ini meningkatkan kualitas keputusan
yang dihasilkan jika dibandingkan ketika menggunakan metode penghitungan satu
tahap yang lebih konvensional.
d. Dalam analisis multivariate, dengan kriteria dan kelas yang jumlahnya sangat
banyak, seorang penguji biasanya perlu untuk mengestimasikan baik itu distribusi
dimensi tinggi ataupun parameter tertentu dari distribusi kelas tersebut. Metode
pohon keputusan dapat menghindari munculnya permasalahan ini dengan
menggunakan kriteria yang jumlahnya lebih sedikit pada setiap node internal tanpa
banyak mengurangi kualitas keputusan yang dihasilkan.
Universitas Sumatera Utara
13
2.2.4 Kekurangan Decision Tree
a. Terjadi overlap terutama ketika kelas-kelas dan kriteria yang digunakan
jumlahnyasangant banyak. Hal tersebut juga dapat menyebankan meningkatnya
waktu pengambilan keputusan dan jumlah memory yang diperlukan.
b. Pengakumulasian jumlah error dari setiap level dalam sebuah pohon keputusan
yang besar.
c. Kesulitan dalam mendesain decision tree yang optimal. Hasil kualitas keputusan
yang didapatkan dari metode decision tree sangat tergantung pada bagaimana
pohon tersebut didesain.
2.3 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.
Proses decision tree adalah mengubah bentuk data (tabel) menjadi model
pohon, mengubah model pohon menjadi rule dan menyederhanakan rule (Basuki et
al., 2003). Dalam membentuk pohon keputusan dengan algoritma C5.0 digunakan
entropy dan information gain untuk menentukan akar node. Gain dengan nilai
tertinggi akan menjadi node akar dari entropy terkecil tiap atribut. Berikut persamaan
untuk menghitung gain atribut :
Gain(S, A) = Entropy(S) - ∑
*Entropy (Si)……..
Dengan:
S
A
n
|Si|
|S|
: Himpunan kasus
: Atribut
: Jumlah partisi atribut A
: Jumlah kasus pada partisi ke i
: Jumlah kasus dalam S
Universitas Sumatera Utara
14
Sementara itu untuk menghitung nilai entropy dapat dilihat pada persamaan berikut :
Entropy(S) = ∑
………………………………............
Dengan :
S
n
pi
: Himpunan kasus
: Jumlah partisi S
: Proporsi dari Si terhadap S
2.4 Bank
Bank adalah badan usaha yang menghimpun dana dari masyarakat dalam bentuk
simpanan dan menyalurkannya kepada masyarakat dalam bentuk kredit dan/atau
bentuk-bentuk lainnya dalam rangka meningkatkan taraf hidup rakyat banyak (UU
No.7 tahun 1992). Bank memberikan pelayanan terbaik kepada nasabah melalui
beberapa fasilitas seperti, unit usaha konvensional, unit usaha syariah dan sentra usaha
mikro kecil (UMK). Unit usaha konvensional memiliki beberapa pelayanan seperti
tabungan, giro, deposito, kredit, kredit pemilikan rumah (KPR), anjungan tunai
mandiri (ATM), SMS banking dan real-time gross settlement (RTGS). Pada penelitian
ini
penulis
mengangkat
judul
yang
berkaitan
dengan
KPR.
Bank memiliki peranan penting bagi masyarakat khususnya masyarakat
kalangan menengah ke atas. Tidak lagi hanya sebatas menabung, bank juga memiliki
manfaat yang besar bagi masyarakat/nasabah. Berbagai kepentingan hidup di masa
sekarang membutuhkan bank sebagai alat untuk memenuhi kebutuhan. Untuk
membayar tagihan listrik, belanja hingga membangun rumah, semuanya dapat
dilakukan melalui bank. Kemudahan inilah yang membuat bank memiliki perananan
penting bagi masyarakat di masa sekarang.
2.4.1 Kredit
Menurut OP. Simorangkir dan H. Budi Untung, kredit adalah pemberian prestasi
(misalnya uang dan barang) dengan balas prestasi (kontraprestasi) yang akan terjadi
pada waktu yang akan datang. Kehidupan ekonomi modern adalah prestasi uang, yang
Universitas Sumatera Utara
15
dengan demikian transaksi kredit menyangkut uang sebagai alat kredit. Kredit
berfungsi kooperatif antara si pemberi kredit dan si penerima kredit atau antara kredit
dengan debitur. Mereka menarik keuntungan dan saling menanggung risiko.
Singkatnya, kredit dalam arti luas didasarkan atas komponen kepercayaan, risiko dan
pertukaran ekonomi di masa-masa mendatang.
Kredit merupakan salah satu system yang diberlakukan pihak bank dalam
memberikan kemudahan kepada nasabah. Namun pengertian kredit bank yang
berprinsip konvensional tidak hanya membayar secara tradisional, tetapi juga meliputi
perjanjian kredit, jaminan, pengambilan tagihan dan bunga. Sedangkan untuk bank
yang beroperasi dengan prinsip syariah, bentuk penyediaan atau penerimaan dana
kepada nasabahnya dengan prinsip bagi hasil yang sesuai dengan prinsip syariah.
Menurut Munir Fuadi, kredit berarti kepecayaan. Kata kredit berasal dari bahasa Latin
yaitu “creditus” yang berarti to trust. Dengan kata lain kredit mengandung unsur
“kepercayaan”, walaupun tidak hanya sekedar kepercayaan.
Kolektibilitas adalah keadaan pembayaran pokok atau angsuran pokok dan
bunga kredit oleh nasabah serta tingkat kemungkinan diterimanya kembali dana yang
ditanamkan dalm surat-surat berharga atau penanaman lainnya. Pada dasarnya dalam
menentukan status kredit nasabah, Bank Indonesia memiliki kolektibilitas
(penggolongan) kredit yang dikelompokkan terhadap 5 kelompok yaitu, kredit lancar,
kredit perhatian khusus (special mention), kredit kurang lancar, kredit diragukan dan
kredit macet. Penjelasan kolektibilitas dapat dilihat pada tabel 2.1
Universitas Sumatera Utara
16
Tabel 2.1 Kolektibilitas Kredit (Ketentuan Bank Indonesia)
Kolektibilitas
Kredit
Keterangan
Kolektibilitas
Konsekuensi
Keterangan
Kredit
Kredit
Pembayaran tepat
waktu, pembayaran
rekening baik dan
1
Lancar
Kolektibilitas
tidak ada
tunggakan serta
sesuai dengan
persyaratan kredit.
1) Kartu dalam
status aktif
2) Kartu tidak
terblokir, kartu
masih dapat
digunakan
1)Dikenakan biaya
keterlambatan
(jika ada)
2) Kartu akan
terblokir
sementara untuk
2
Dalam Perhatian
Khusus
Apabila terdapat
keterlambatan
tunggakan
pembayaran
pembayaran pokok
sampai dengan 59
dan atau bunga
hari. Di atas 60
sampai dengan 90
hari, kartu akan
(Sembilan puluh)
terblokir
hari.
permanen, kartu
tidak dapat
digunakan.
3)Kegiatan
penagihan melalui
telepon dan
kunjungandimulai.
Universitas Sumatera Utara
17
Tabel 2.1 Kolektibilitas Kredit (Ketentuan Bank Indonesia) (lanjutan)
Kolektibilitas
Kredit
Keterangan
Konsekuensi
Keterangan
Kolektibilitas
Kolektibilitas
Kredit
Kredit
Apabila
terdapat
tunggakan
pembayaran pokok
dan
3
Kurang Lancar
atau
yang
bunga
telah
melampaui
(Sembilan
90
puluh)
hari sampai dengan
120 (seratus dua
puluh) hari.
Apabila
tunggakan
1)Kegiatan
penagihan melalui
telepon
dan
kunjungan
dilanjutkan
2) Kartu terblokir
secara permanen,
kartu tidak dapat
digunakan.
terdapat
1)Kegiatan
pembayaran pokok penagihan melalui
dan
atau
yang
4
Diragukan
melampaui
bunga telepon
dan
telah kunjungan
120 dilanjutkan
(seratus dua puluh) 2) Kartu terblokir
hari sampai dengan secara permanen,
180
delapan
(seratus kartu tidak dapat
puluh) digunakan.
hari.
Universitas Sumatera Utara
18
Tabel 2.1 Kolektibilitas Kredit (Ketentuan Bank Indonesia) (lanjutan)
Kolektibilitas
Kredit
Keterangan
Konsekuensi
Keterangan
Kolektibilitas
Kredit
Kolektibilitas
Kredit
1)Kegiatan
penagihan melalui
Apabila
terdapat
tunggakan
pembayaran pokok
5
Macet
dan
atau
yang
melampaui
(seratus
puluh) hari.
bunga
telah
180
delapan
telepon
dan
kunjungan
dilanjutkan
2) Kartu terblokir
secara permanen,
kartu tidak dapat
digunakan.
3) Pengalihdayaan
kegiatan
penagihan
ke
pihak ketiga
2.4.2 Analisa Kredit
Analisa kredit adalah penilaian terhadap calon kreditur dan usahanya, dan sebagai
alternatif dalam pertimbangan keputusan kredit. Tujuan dilakukannya analisis adalah
untuk melihat kondisi dan potensi calon kreditur apakah layak/ tidaknya diberikan
kredit atau dibantu pembiayaan kredit.
Menurut Siswanto (2004) analisis kredit pada dasarnya menggunakan prinsip 5C,
yaitu :
1. Character, menilai tingkah laku debitur, apakah mempunyai sifat yang baik dan
dapat dipercaya, sehingga pihak bank yakin debitur akan mampu mengembalikan
Universitas Sumatera Utara
19
kredit tepat waktu dan tidak termasuk dalam daftar black list atau daftar kredit
macet.
2. Capacity, mempelajari dan memastikan bahwa debitur mampu membayar
kreditnya dilihat dari pengalaman pengalaman usahanya, pendidikannya, selama
berhubungan dengan bank.
3. Capital, untuk memastikan bahwa debitur mempunyai modal yang cukup guna
menutupi apabila terjadi kerugian.
4. Collateral, memastikan apakah agunan/jaminan yang diserahkan cukup dan suratsuratnya lengkap sesuai dengan ketentuan, untuk menutup resiko kredit apabila
tidak dapat dapat dilunaskan.
5. Condition of Economy, mempelajari dan memastikan apakah keadaan pereonomian
bersifat menunjang atau menghambat usaha debitur, yang dapat berpengaruh atas
kelancaran kredit yang diberikan dan hendaknya juga dinilai kondisi ekonomi
sekarang dan untuk masa yang akan datang sesuai sektor masiing-masing.
Dalam penelitian ini penulis mengklasifikasikan nasabah yang telah memiliki track
record dalam kredit KPR.
2.4.3 Kredit Pemilikan Rumah (KPR)
KPR merupakan bagian dari unit usaha konvensional yang banyak dipilih nasabah
dalam memenuhi kepentingan tempat tinggal. KPR memudahkan nasabah dalam
membangun atau membeli rumah. KPR adalah kredit yang diberikan pihak bank
kepada nasabah untuk mendirikan rumah/ruko/bangunan diatas sebuah lahan dengan
jaminan sertifikat kepemilikan atas rumah dan lahan itu sendiri.
2.5 Penelitian Terdahulu
Adapun beberapa penelitian terdahulu yang berkaitan dengan prediksi kolektibilitas
KPR antara lain :
1. Model prediksi status kredit nasabah koperasi simpan pinjam mitra usaha syariah
(Septiana et al, 2013)
Universitas Sumatera Utara
20
2. System pendukung keputusan kredit sepeda motor dengan metode decision tree.
System ini bertujuan sebagai pendukung keputusan dalam menentukan layak atau
tidak layaknya pemberian kredit sepeda motor kepada calon pembeli (Agustina
Manurung, 2011).
3. Analisis dan implementasi decision tree untuk klasifikasi data konsumen
telemarketing untuk deposito pada bank menggunakan algoritma C4.5. System ini
menampilkan konsumen yang akan mendepositokan uang dengan mengolah data
untuk dicari pola agar bisa bermanfaat (Gelar Nurcahya, 2013).
4. Metode C5.0 untuk mengklasifikasi prestasi akademik mahasiswa program studi
matematika fakultas matematika dan ilmu pengetahuan alam dengan bahasa
pemrograman Delphi 7.0 sehingga memperoleh hasil klasifikasi yang lebih akurat
dan maksimal (Muhammad Musyafa, 2012)
5. Penerapan algoritma C5.0 dalam pengklasifikasian data mahasiswa Universitas
Negeri Gorontalo. Penelitian ini bertujuan untuk mengklasifikasikan data historis
mahasiswa dengan menggunakan algoritma C5.0. Hasil pengujian dengan
menggunakan teknik k-fold cross validation diperoleh akurasi tertinggi dari
prediksi IPK sebesar 79,3% dan 86,7% untuk lama studi. (Irene et al, 2014)
6. Aplikasi data mining menggunakan metode decision tree untuk evaluasi kinerja
motor servo dengan algoritma C4.5. Penelitian ini difokuskan untuk
mengevaluasi kinerja motor servo dengan melakukan percobaan pada beban dan
tegangan input yang berbeda dalam dua keadaan loop serta diklasifikasikan dalam
kategori perputaran motor yang termasuk cepat, cukup cepat dan lambat. Hasil
penelitian yang diperoleh adalah sama dengan hasil kategori data sebenarnya.
(Aryansyah, 2014)
Universitas Sumatera Utara