PENERAPAN ALGORITME NAÏVE BAYESUNTUK

PENERAPAN ALGORITME NAÏVE BAYES UNTUK KLASIFIKASI

PEMBERIAN KREDIT BAGI ANGGOTA CREDIT UNION USAHA KITA

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer

Program Studi Informatika

Disusun Oleh:

Aureli Isaias

NIM 165314023

PROGRAM STUDI INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2021

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

IMPLEMENTATION OF NAIVE BAYES ALGORITHM FOR

CLASSIFICATION OF LENDING FOR USAHA KITA CREDIT UNION

MEMBERS

FINAL PROJECT

Present as Partial Fullfillment of the Requirements

to Obtain the Sarjana Komputer Degree

in Informatics Engineering Study Program

By:

Aureli Isaias

165314023

INFORMATICS STUDY PROGRAM

DEPARTMENT OF INFORMATICS

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2021




iv

HALAMAN PERSEMBAHAN

“Why do you sigh? Just count your blessings. Every time you try. Find something,

believe yourself”

(Oratoria The World God Only Knows - God Only Knows -Secrets Of The

Goddess -)

Skripsi ini kupersembahkan untuk:

Tuhan Yesus Kristus

Keluarga

Sahabat


v

ABSTRAK

Kredit adalah pinjaman uang dengan pembayaran pengembalian secara

mengangsur, biasanya terdapat pada lembaga keuangan. CU Usaha Kita, lembaga

keuangan yang memberikan layanan simpan pinjam memiliki masalah dalam

pemberian pinjaman/kredit. Masalah tersebut berupa uang yang ada lebih sedikit

dibandingkan jumlah pengajuan pinjaman/kredit. Apabila memberikan

pinjaman/kredit secara sembarang maka dapat mengalami kerugian. Penelitian ini

mencoba untuk mengklasifikasi pemberian kredit agar pengurus tidak sembarang

memberikan pinjaman/kredit. Data yang digunakan dalam penelitian ini adalah data

anggota yang mendapat pinjaman/kredit sebanyak 155 dan data anggota yang tidak

mendapat pinjaman/kredit sebanyak 125. Dari kedua data tersebut dibuat model

Naïve Bayes untuk mengklasifikasi pemberian kredit bagi anggota CU Usaha Kita.

Model ini menghitung nilai probabilitas setiap nilai atribut ke label kelas.

Kemudian, model ini mengelompokan ke label kelas yang memiliki nilai

probabilitas tertinggi. Penelitian klasifikasi ini membuktikan bahwa algoritme

Naïve Bayes dapat digunakan dalam melakukan klasifikasi pemberian kredit bagi

anggota CU Usaha Kita berdasarkan prinsip 5C dan menghasilkan akurasi tertinggi

sebesar 97,5% menggunakan 10 fold.

Kata Kunci – Algoritme Naïve Bayes, pemberian kredit, CU Usaha Kita.


vi

ABSTRACT

Credit is the form of loan fund with instalment payment, which usually occurs

in financial institutions. CU Usaha Kita, a financial institution which offered saving

and loans services, has a lending problem. The problem is insufficient funds

compared to the number of loans application requested. Incautious action in giving

out the loan will consequently cause loss. This research aimed to classified credit

loans to avoid incautious action from the administrator. This research's data were

members who receive credit loans as many as 155 members and those who fail to

receive the loans as many as 125 members. The data transformed into the Naïve

Bayes model to classified credit loan action to CU Usaha Kita members. This model

counts the probability number in each attributes to the class label. Afterwards, this

model is classified to the class label with the highest probability values. This

classification research proved that Naïve Bayes Algorithm can classify the credit

loans for CU Usaha Kita members using the 5C principle and produced the highest

accuracy with 97, 5% using 10 folds.

Keywords – Naïve Bayes Algorithm, credit loans, CU Usaha Kita


vii

PERNYATAAN KEASLIAN KARYA

Saya menyatakan dengan sesungguhnya bahwa skripsi saya tulis ini tidak memuat

karya atau bagian karya orang lain, kecuali yang telah saya sebutkan dalam kutipan

daftar pustaka, sebagaimana layaknya karya ilmiah.

Yogyakarta, 31 Januari 2021

Penulis,

Aureli Isaias


viii

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH

UNTUK KEPERLUAN KEPENTINGAN AKADEMIS

Yang bertanda tangan di bawah ini, saya mahasiswa Universitas Sanata Dharma :

Nama : Aureli Isaias

NIM : 165314023

Demi pengembangan ilmu pengetahuan, saya memberikan kepada Perpustakaan

Universitas Sanata Dharma karya ilmiah saya yang berjudul :

PENERAPAN ALGORITME NAÏVE BAYES UNTUK KLASIFIKASI

PEMBERIAN KREDIT BAGI ANGGOTA CREDIT UNION USAHA KITA

Beserta perangkat yang diperlukan (bila ada). Dengan demikian saya memberikan

kepada Perpustakaan Universitas Sanata Dharma hak untuk menyimpan,

mengalihkan dalam bentuk media lain, mengelola di internet atau media lain untuk

kepentingan akademis tanpa perlu meminta izin dari saya maupun memberi royalti

kepada saya selama tetap mencantumkan nama saya sebagai penulis.

Demikian pernyataan ini saya buat dengan sebenarnya

Dibuat di Yogyakarta

Pada tanggal 31 Januari 2021

Yang menyatakan,

Aureli Isaias


ix

KATA PENGANTAR

Puji syukur dipanjatkan kepada Tuhan Yang Maha Esa atas rahmat dan

anugrah yang diberikan sehingga penulis dapat menyelesaikan skripsi yang

berjudul “Penerapan Algoritme Naïve Bayes Untuk Klasifikasi Pemberian Kredit

Bagi Anggota CU Usaha Kita”. Dengan selesainya penulisan skripsi ini tidak lepas

dari bantuan banyak pihak yang telah memberikan masukan – masukan kepada

penulis. Untuk itu penulis mengucapkan rasa terima kasih kepada:

1. Bapak Robertus Adi Nugroho, S.T., M.Eng, selaku Ketua Program

Studi Teknik Informatika Universitas Sanata Dharma Yogyakarta.

2. Ibu P. H. Prima Rosa, S. Si., M. Sc., selaku dosen pembimbing

yang selalu sabar dalam membimbing selama penulisan skripsi.

3. Bapak Lukas, selaku Ketua Pengurus KSP Credit Union Usaha

Kita yang mengizinkan pengambilan data untuk penulisan skripsi

ini.

4. Bapak Paris, S. Sos., selaku Manager KSP Credit Union Usaha

Kita TP Sungai Ayak.

5. Bapak Koko Intardi Antonius, S. E., selaku Kadiv Keuangan KSP

Credit Union Usaha Kita.

6. Bapak Drs. Johanes Eka Priyatma, M. Sc., Ph. D., selaku Rektor

Universitas Sanata Dharma.

7. Bapak Sudi Mukasih, S. Si, M. Math. Sc., Ph. D., selaku Dekan

Fakultas Sains dan Teknologi Universitas Sanata Dharma.

8. Keluarga dan saudara - saudara yang menyertai, mendukung dan

mendoakan penulis.

9. Teman – teman Program Studi Informatika angkatan 16 terutama

Putu Vandi, Andreas Beny, Reynaldi Setiawan yang selalu

memberikan bantuan informasi, dukungan, dan semangat untuk

penulis.

10. Dan semua pihak yang telah membantu penulis, maaf tidak dapat

menyebutkan satu per satu.


x

Penulis menyadari masih adanya kekurangan maka dari itu penulis

mengharapkan adanya kritik dan saran yang bersifat membangun. Akhir kata,

semoga skripsi ini dapat berguna bagi ilmu pengetahuan khususnya program studi

Informatika.

Yogyakarta, 31 Januari 2021

Aureli Isaias


xi

DAFTAR ISI

HALAMAN PERSETUJUAN ................................ Error! Bookmark not defined.

HALAMAN PENGESAHAN .................................. Error! Bookmark not defined.

HALAMAN PERSEMBAHAN .......................................................................... iv

ABSTRAK ............................................................................................................. v

ABSTRACT ........................................................................................................... vi

PERNYATAAN KEASLIAN KARYA ............................................................. vii

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH

UNTUK KEPERLUAN KEPENTINGAN AKADEMIS ............................... viii

KATA PENGANTAR .......................................................................................... ix

DAFTAR ISI ......................................................................................................... xi

DAFTAR GAMBAR .......................................................................................... xiv

DAFTAR TABEL ............................................................................................... xv

BAB I PENDAHULUAN ...................................................................................... 1

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

1.2 Rumusan Masalah .................................................................................. 2

1.3 Tujuan ..................................................................................................... 3

1.4 Manfaat ................................................................................................... 3

1.5 Batasan .................................................................................................... 3

1.6 Sistematika Penulisan ............................................................................ 3

BAB II TINJAUAN PUSTAKA ........................................................................... 9

2.1 Kredit ....................................................................................................... 9

2.2 CU Usaha Kita ...................................................................................... 10

2.3 Data Mining ........................................................................................... 11

2.5 Algoritme Naïve Bayes ......................................................................... 12

2.6 Cross Validation .................................................................................... 15

2.7 Confusion Matrix .................................................................................. 15

BAB III METODE PENELITIAN .................................................................... 17

3.1 Deskripsi Data Penelitian ........................................................................ 17

3.2 Tahap – Tahap Penelitian ....................................................................... 18


xii

3.2.1 Pengumpulan Data ........................................................................... 18

3.2.2 Preprocessing .................................................................................... 19

3.2.3 Data Mining ....................................................................................... 19

3.2.4 Evaluasi Pola Hasil Percobaan ........................................................ 19

3.3 Kebutuhan Sistem .................................................................................... 19

BAB IV PEMROSESAN AWAL dan DESAIN SISTEM ............................... 21

4.1 Pemrosesan Awal Data ............................................................................ 21

4.1.1. Data Integration ................................................................................. 21

4.1.2. Data Selection .................................................................................... 21

4.1.3. Data Transformation ......................................................................... 22

4.2 Desain Sistem ............................................................................................ 25

4.2.1 Use Case ............................................................................................. 25

4.2.2 Narasi Use Case ................................................................................. 26

4.2.3 Desain GUI ........................................................................................ 26

4.2.4 Desain Modul Penambangan Data .................................................. 26

4.2.5 Desain Pengujian............................................................................... 30

4.2.5.1 Desain Uji Validasi Program .................................................... 30

4.2.5.2 Desain Uji Akurasi .................................................................... 30

4.2.5.3 Desain Uji Data Tunggal .............................................................. 31

BAB V IMPLEMENTASI dan ANALISIS HASIL ......................................... 32

5.1 Implementasi Use Case ............................................................................ 32

5.1.1. Cuplikan Program Matlab ............................................................... 32

5.1.2. Cuplikan Tampilan Program .......................................................... 32

5.2 Analisis Hasil ............................................................................................ 35

5.2.1. Hasil Uji Validasi .............................................................................. 35

5.2.1.1 Pengujian Validasi Program .................................................... 35

5.2.1.2 Evaluasi Pengujian Program .................................................... 35

5.2.1.3 Perbandingan Hasil Hitung Program dan Hasil Hitung

Manual 35

5.2.2. Hasil Uji Akurasi .............................................................................. 39

5.2.3. Uji Data Tunggal ............................................................................... 41

BAB VI PENUTUP ............................................................................................. 42


xiii

6.1 Kesimpulan ............................................................................................... 42

6.2 Saran ......................................................................................................... 42

DAFTAR PUSTAKA .......................................................................................... 43

LAMPIRAN I: NARASI USE CASE ................................................................ 45

LAMPIRAN II : Desain GUI ............................................................................. 54

LAMPIRAN III: CUPLIKAN PROGRAM ..................................................... 57

LAMPIRAN IV: DESAIN UJI VALIDASI PROGRAM ................................ 71

LAMPIRAN V: PERHITUNGAN MANUAL.................................................. 74

LAMPIRAN VI: SURAT KETERANGAN IZIN dari CU USAHA KITA . 146


xiv

DAFTAR GAMBAR

Gambar 2.1 3 – Fold Cross Validation ............................................................... 15

Gambar 3.1 Skema Penelitian ............................................................................ 18

Gambar 4.1 Use Case Program Klasifikasi Pemberian Kredit ...................... 25

Gambar 5.1 Tampilan Program Klasifikasi ..................................................... 32

Gambar 5.2 Tampilan Uji Data Tunggal .......................................................... 32

Gambar 5.3 Tampilan Tiga Fold ....................................................................... 33

Gambar 5.4 Tampilan Lima Fold ...................................................................... 33

Gambar 5.5 Tampilan Tujuh Fold .................................................................... 34

Gambar 5.6 Tampilan Sepuluh Fold ................................................................. 34

Gambar 5.7a Preprocessing Perhitungan Program ......................................... 36

Gambar 5.7b Preprocessing Perhitungan Program ......................................... 36

Gambar 5.8 Akurasi Perhitungan Program ..................................................... 37

Gambar 5.9 Grafik rata – rata akurasi ............................................................. 40

Gambar 5.13 Uji Data Tunggal Klasifikasi Diberi .......................................... 41

Gambar 5.14 Uji Data Tunggal Klasifikasi Ditolak ......................................... 41


xv

DAFTAR TABEL

Tabel 2.1 Confusion Matrix ................................................................................ 15

Tabel 3.1 Contoh Data Anggota yang Mendapatkan Pinjman/Kredit .......... 17

Tabel 3.2 Data Anggota yang Tidak Mendapat Pinjman/Kredit ................... 16

Tabel 3.3 Penjelasan Atribut .............................................................................. 16

Tabel 3.4 Kode Atribut Prinsip 5C .................................................................... 17

Tabel 5.1 Perbandingan Hasil Program dan Hasil Manual ............................ 38

Tabel 5.2 Daftar Atribut Prinsip 5C ................................................................. 39

Tabel 5.3 Tabel Hasil Percobaan ....................................................................... 39


1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Menurut Kamus Besar Bahasa Indonesia, kredit adalah pinjaman uang

dengan pembayaran pengembalian secara mengangsur. Kredit terdapat pada

lembaga keuangan seperti bank, koperasi simpan pinjam, atau pun Credit

Union. Alasan seseorang mengajukan kredit antara lain sebagai modal usaha

atau pun tambahan dana untuk membeli barang.

Credit Union (CU) adalah lembaga yang dimiliki oleh sekumpulan

orang yang saling percaya dalam ikatan pemersatu, yang bersepakat untuk

menabungkan uang mereka sehingga menciptakan modal bersama guna

dipinjamkan di antara sesama mereka dengan bunga yang layak untuk tujuan

produktif dan kesejahteraan. CU Usaha Kita memberikan pelayanan di dusun

Simpi Madya, Sungai Ayak Dua, Belitang Hilir, Sekadu, Kalimantan Barat.

Pelayanan yang diberikan berupa simpan, pinjam, dan investasi saham.

Berdasarkan pasal 19 ayat 7 Kebijakan Credit Union Usaha Kita Tahun 2020,

pemberian pinjaman atau kredit CU Usaha Kita menggunakan prinsip 5C untuk

menentukan keputusan kredit terdiri dari Capacity to pay, Character, Capital,

Collateral, dan Credit Condition. Banyaknya anggota yang mengajukan kredit

membuat CU Usaha Kita tidak dapat memberikan kredit secara sembarangan,

hal ini karena uang yang ada terbatas untuk diberikan ke anggota – anggota

yang mengajukan kredit. Apabila CU Usaha Kita memberikan kredit secara

sembarangan maka CU Usaha Kita dapat mengalami kerugian. Selain itu

kesulitan membuat analisa dapat menyebabkan resiko kredit, seperti

ketidakpastian dalam pembayaran dana pinjaman atau pun anggota tidak

mampu mengembalikan pinjaman dana kredit. Maka dari itu CU Usaha Kita

memerlukan sebuah sistem yang dapat melakukan klasifikasi pemberian kredit

berdasarkan kriteria prinsip 5C sehingga mempermudah staf dalam menentukan

keputusan kredit.


2

Teknik klasifikasi data mining dapat membantu mengklasifikasi

keputusan kredit. Menurut Larose (Kusrini & Luthfi,2009), 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

statistik dan matematika. Klasifikasi memiliki berbagai macam algoritme yang

dapat diterapkan untuk mengklasifikasi data pengajuan kredit anggota CU

Usaha Kita. Naïve Bayes merupakan salah satu dari algoritme klasifikasi yang

dapat digunakan untuk mengklasifikasi data pengajuan kredit anggota CU

Usaha Kita, hal ini diperkuat melalui penelitian yang sudah dilakukan oleh

Ciptohartono (2014), yakni memprediksi kelayakan kredit di bank swasta

Indonesia. Hasil penelitian tersebut membuktikan bahwa algoritme Naïve

Bayes memiliki akurasi 92,53%. Selain penelitian tersebut, ada penelitian yang

sudah dilakukan oleh Menarianti (2015), penelitian tersebut membandingkan

algoritme SVM, algoritme Naïve Bayes, dan algoritme K – Nearest Neighbor.

Algoritme SVM memiliki akurasi 86,39%, sedangkan algoritme Naïve Bayes

memiliki akurasi 83,56% dan algoritme K – Nearest Neighbor memiliki akurasi

76,71%. Selanjutnya ada penelitan yang sudah dilakukan oleh Khasanah

(2019), penelitian tersebut membandingkan algoritme C4.5 dan algoritme Naïve

Bayes. Algoritme C4.5 memiliki akurasi 87, 62%, sedangkan algoritme Naïve

Bayes memiliki akurasi 90,00%. Dari uraian penelitian tersebut, peneliti

mencoba untuk mengklasifikasi data pengajuan kredit anggota CU Usaha Kita

dengan menggunakan algoritme Naïve Bayes, karena dua dari tiga uraian

penelitian tersebut membuktikan bahwa algoritme Naïve Bayes memilliki hasil

akurasi paling tinggi.

1.2 Rumusan Masalah

a. Apakah algoritme Naïve Bayes dapat dipergunakan untuk klasifikasi

pemberian kredit bagi anggota CU Usaha Kita?

b. Berapa persen akurasi algoritme Naïve Bayes dalam klasifikasi pemberian

kredit?


3

1.3 Tujuan

a. Membuat model klasifikasi data anggota CU Usaha Kita menggunakan

algoritme Naïve Bayes.

b. Menghitung akurasi dari model klasifikasi data anggota CU Usaha Kita.

1.4 Manfaat

Manfaat bagi pengurus atau anggota CU Usaha Kita apabila algoritme

Naïve Bayes dapat melakukan klasifikasi maka dapat mempermudah kerja

pengurus dalam memberikan pinjaman dan bagi anggota dapat mempercepat

memperoleh pinjaman/kredit.

1.5 Batasan

a. Data yang diolah merupakan data anggota yang mendapatkan

pinjaman/kredit dan data anggota yang tidak mendapatkan pinjaman/kredit.

b. Metode klasifikasi menggunakan Naive Bayes, uji akurasi menggunakan

K-fold Cross Validation, dan perhitungan akurasi menggunakan Confusion

Matrix.

c. Atribut yang digunakan berdasarkan prinsip 5C (Character, Capacity,

Capital, Collateral, dan Condition) yang digunakan CU Usaha Kita.

1.6 Sistematika Penulisan

BAB I PENDAHULUAN

Berisi latar belakang masalah, rumusan masalah, tujuan, manfaat, batasan, dan

sistematika penulisan.

BAB II TINJAUAN PUSTAKA

Berisi tinjauan pustaka yang digunakan dalam melakukan penelitian.

BAB III METODE PENELITIAN

Berisi gambaran umum penelitian serta tata cara penerapan konsep dasar yang

telah diuraikan untuk melakukan analisis dan merancang system sesuai tahap

penyelesaian masalah menggunakan algoritme Naïve Bayes.

BAB IV PEMROSESAN AWAL dan DESAIN SISTEM


4

Berisi bagaimana pemrosesan awal pada sistem dan desain sistem yang

dibangun.

BAB V IMPLEMENTASI dan ANALISIS HASIL

Berisi implementasi program berdasarkan hasil perancangan yang dibuat serta

analisis perangkat lunak yang sudah dibuat.

BAB VI PENUTUP

Berisi kesimpulan dan saran.

DAFTAR PUSTAKA

Berisi sitasi yang digunakan dalam melakukan penelitian.


9

BAB II

TINJAUAN PUSTAKA

2.1 Kredit

Menurut Kamus Besar Bahasa Indonesia, kredit adalah pinjaman uang

dengan pembayaran pengembalian secara mengangsur. Adapun arti lainnya,

dalam UU Perbankan no. 10 Tahun 1998 kredit adalah penyediaan uang atau

tagihan yang dapat dipersamakan dengan itu, berdasarkan persetujuan atau

kesepakatan pinjam-meminjam antara bank dengan pihak lain yang

mewajibkan pihak peminjam untuk melunasi utangnya setelah jangka waktu

tertentu dengan pemberian bunga. Untuk mendapatkan kredit harus melalui

prosedur yang telah ditentukan oleh lembaga keuangan. Agar kegiatan

pelaksanaan perkreditan dapat berjalan dengan sehat dan layak maka prinsip

yang digunakan adalah prinsip 5C (Character, Capacity, Capital, Collateral,

Condition). Prinsip 5C meliputi:

a. Character (karakter)

Prinsip ini menilai kepribadian anggota. Hal tersebut dilihat dari

hasil wawancara dengan customer sevice. Inti dari prinsip ini adalah

menilai anggota apakah dapat dipercaya atau tidak.

b. Capacity (kapasitas)

Menilai anggota dari kemampuan anggota mengelola

keuangannya. Apakah anggota tersebut pernah mengalami kendala

keuangan atau tidak, serta prinsip ini menilai kemampuan membayar

kredit.

c. Capital (kondisi aset)

Terkait aset atau modal yang dimiliki anggota. Dari asset atau

modal tersebut akan dinilai apakah layak atau tidaknya anggota tersebut


10

mendapat pinjaman, lalu seberapa besar bantuan kredit yang akan

diberikan.

d. Collateral (jaminan)

Prinsip yang perlu diperhatikan oleh anggota, apabila tidak

memenuhi kewajiban dalam pengembalian dana pinjaman dari pihak

kreditur Jika hal tersebut terjadi maka sesuai dengan ketentuan yang

berlaku, pihak kreditur dapat menyita jaminan yang telah ditentukan

sebelumnya.

e. Condition (kondisi)

Dipengaruhi oleh faktor di luar dari pihak kreditur maupun anggota.

Kondisi perekonomian di suatu daerah mau pun negara memang sangat

berpengaruh kepada kedua pihak, di mana usaha yang dijalankan

anggota sangat bergantung pada kondisi perekonomian baik makro mau

pun mikro, sedangkan pihak kreditur menghadapi masalah yang sama.

Untuk memperlancar kerja sama kedua belah pihak maka penting

adanya untuk memperlancar komunikasi antara anggota dan kreditur.

2.2 CU Usaha Kita

CU Usaha Kita/Credit Union Usaha Kita merupakan lembaga koperasi

simpan pinjam yang terletak di desa Sungai Ayak, kecamatan Belitang Hilir.

Sebagaimana lembaga koperasi simpan pinjam pada umumnya, salah satu

produk CU Usaha Kita adalah pemberian pinjaman/kredit kepada anggotanya.

Berdasarkan Manual Operasional Koperasi Simpan Pinjam CU Usaha Kita

dalam memberikan pinjaman, data anggota yang mengajukan pinjaman akan

dianalisa menggunakan prinsip 5C. Berikut ini prinsip 5C yang digunakan oleh

CU Usaha Kita:

a. Capacity to pay (kemampuan membayar) merujuk pada kemampuan

yang bersangkutan untuk membayar pinjaman sesuai besar angsuran

dan jasa piutang serta jangka waktu yang telah ditetapkan.


11

b. Character (watak) merujuk pada integritas seseorang, kredibilitas,

dapat dipercaya, kejujura, tepat janji, dan reputasi di masyarakat.

c. Capital status (modal) merujuk pada jumlah saham dan simpanan non

saham pemohon pinjaman di CU Usaha Kita.

d. Collateral (jaminan) merujuk pada aset – aset pribadi atau aset

bergerak, dan juga aset nyata atau aset tidak bergerak yang dimiliki atas

nama pemohon pinjaman yang ditawarkan sebagai jaminan pinjaman.

e. Credit condition (kondisi pinjaman) merujuk pada faktor – faktor

eksternal yang mempengaruhi keadaan sosial – ekonomi pemohon

pinjaman, faktor – faktor tersebut adalah legalitas kegiatan usaha yang

diusulkan untuk didanai dari pinjaman dan dampak lingkungan dari

kagiatan usaha tersebut.

2.3 Data Mining

Menurut Larose (Kusrini & Luthfi,2009) 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 statistik dan

matematika. Teknik data mining menurut Han dan Kamber (2012) dapat

disinonimkan sebagai proses Knowledge Discovery from Data (KDD). Berikut

proses dari KDD:

a. Data cleaning (pembersihan data)

Proses untuk pembersihan data dari noise dan data yang tidak konsisten.

b. Data integration (integrasi data)

Proses menggabungkan data dari banyak sumber.

c. Data selection (seleksi data)

Proses pemilihan data yang sesuai (relevan) dengan tugas analisis

diambil dari database.

d. Data transformation (transformasi data)


12

Proses di mana data ditransformasikan dan dikonsolidasikan ke dalam

bentuk yang sesuai untuk penambangan dengan melakukan operasi

ringkasan atau agregasi.

e. Data mining (penambangan data)

Proses penting di mana metode cerdas diterapkan untuk mengekstrak

pola data.

f. Pattern evaluation (evaluasi pola)

Proses untuk mengidentifikasi pola-pola yang benar-benar menarik yang

mewakili pengetahuan berdasarkan ukuran-ukuran yang penting

g. Knowledge presentation (presentasi pengetahuan)

Proses di mana teknik visualisasi dan representasi pengetahuan

digunakan untuk menyajikan pengetahuan dari hasil penambangan data

agar mudah dipahami oleh pengguna.

2.4 Klasifikasi

Klasifikasi adalah proses menemukan model (atau fungsi) yang

menggambarkan dan membedakan kelas atau konsep data. Model tersebut

diturunkan berdasarkan analisis terhadap serangkaian training data (yakni. ,

data objek-objek yang dikenal sebagai label kelas). Model ini digunakan untuk

memprediksi label kelas benda-benda yang label kelasnya tidak diketahui.

(Han & Kamber,2012).

2.5 Algoritme Naïve Bayes

Menurut Han & Kamber (2012) klasifikasi Bayesian atau Naïve Bayes

adalah klasifikasi statistik. Mereka dapat memprediksi probabilitas

keanggotaan kelas seperti probabilitas bahwa tuple yang diberikan milik kelas

tertentu.

Klasifikasi Naïve Bayesian mengasumsikan bahwa pengaruh nilai

atribut pada kelas yang diberikan tidak tergantung pada nilai atribut lainnya.

Asumsi ini disebut independensi kelas. Itu dibuat untuk menyederhanakan

perhitungan yang terlibat dan dalam hal ini, dianggap "naïve". Kelebihan dari

algoritme ini mudah untuk dibuat dan memiliki hasil yang bagus.


13

Kekurangannya independent antar atribut berkurang (karena biasanya ada

keterikatan).

Persamaan teorema Bayes adalah:

𝑃(𝐻|𝑋) =P(X|H)P(H)

P(X)

Keterangan:

X : data (evidence) yang label kelas belum diketahui.

H : hipotesis yang menyatakan X berada dalam kelas C.

P(H|X) : probabilitas hipotesis H berdasarkan kondisi X (probabilitas

posterior).

P(H) : probabilitas hipotesis H (probabilitas prior).

P(X|H) : probabilitas berdasarkan pada kondisi hipotesis (likelihood)

P(X) : probabilitas X.

Untuk melakukan klasifikasi diperlukan banyak petunjuk untuk

menentukan kelas apa yang bagi sampel yang dianalisa tersebut. Maka dari itu,

model Naïve Bayes (rumus 2.1) dapat dituliskan sebagai berikut:

𝑃(𝐶|𝐹1, … , 𝐹𝑛) = 𝑃(𝐶)𝑃(𝐹1, … , 𝐹𝑛)

𝑃(𝐹1, … , 𝐹𝑛)

Variabel C pada rumus 2.2 merupakan representasi dari kelas, sedangkan

F1… Fn merupakan representasi dari karakteristik petunjuk yang diperlukan

untuk melakukan klasifikasi. Maka dapat dijelakan bahwa rumus 2.2 merupakan

peluang terjadinya kelas C (probabilitasi posterior) adalah peluang munculnya

kelas C (sebelum masuknya sempel tersebut, biasanya disebut prior), dikali

dengan peluang kemunculan karakteristik – karakteristik sampel pada kelas C

(likelihood), dibagi dengan peluang kemunculan karakteristik – karakteristik

sampel secara global (evidence). Secara informal, rumus 2.2 dapat ditulis

sebagai berikut:

𝑝𝑜𝑠𝑡𝑒𝑟𝑖𝑜𝑟 = 𝑙𝑖𝑘𝑒𝑙𝑖ℎ𝑜𝑜𝑑×𝑝𝑟𝑖𝑜𝑟

𝑒𝑣𝑖𝑑𝑒𝑛𝑐𝑒

Nilai dari evidence selalu tetap untuk setiap kelas pada satu sempel. Nilai

posterior tersebut nantinya dibandingkan dengan nilai posterior kelas lainnya

untuk menentukan ke kelas mana suatu sampel diklasifikasikan. Penjabaran

…………………….(2.1)

…………………......(2.3)

………………(2.4)

………….….….(2.2)


14

lebih lanjut dari rumus Naïve Bayes tersebut dilakukan dengan menjabarkan

(C|F1…Fn) menggunakan aturan perkalian.

𝑃(𝐶|𝐹1, … , 𝐹𝑛) = 𝑃(𝐶)𝑃(𝐹1, … , 𝐹𝑛|𝐶))

= 𝑃(𝐶)𝑃(𝐹1|𝐶)𝑃(𝐹2, … , 𝐹𝑛|𝐶, 𝐹1)

= 𝑃(𝐶)𝑃(𝐹1|𝐶)𝑃(𝐹2|𝐶, 𝐹1)𝑃(𝐹3, … , 𝐹𝑛|𝐶, 𝐹1, 𝐹2, 𝐹3)

= 𝑃(𝐶)𝑃(𝐹1|𝐶)𝑃(𝐹2|𝐶, 𝐹1)𝑃(𝐹3|𝐶, 𝐹1, 𝐹2)𝑃(𝐹4, … , 𝐹𝑛|𝐶, 𝐹1, 𝐹2, 𝐹3,𝐹4)

= 𝑃(𝐶)𝑃(𝐹1|𝐶)𝑃(𝐹2|𝐶, 𝐹1)𝑃(𝐹3|𝐶, 𝐹1, 𝐹2) … 𝑃(𝐹𝑛|𝐶, 𝐹1, 𝐹2, 𝐹3, … 𝐹𝑛

− 1)

Dapat dilihat bahwa hasil dari penjabaran tersebut menyebabkan hasil yang

semakin banyak dan semakin kompleksnya faktor – faktor syarat yang

mempengaruhi nilai probabilitas, yang hampir mustahil untuk dianalisis satu per

satu. Akibatnya perhitungan tersebut menjadi sulit untuk dilakukan. Disinilah

digunakan asumsi independensi yang sangat tinggi (naif) bahwa masing –

masing petunjuk (F1,F2,…,Fn) merupakan saling bebas (independen) satu sama

lain. Dari asumsi tersebut maka berlaku persamaan sebagai berikut:

𝑃(𝐶|𝐹1, … , 𝐹𝑛) = 𝑃(𝐶) ∏ 𝑃(𝐹𝑖|𝐶)

𝑛

𝑖=1

= 𝑃(𝐶|𝐹1)𝑃(𝐶|𝐹2), … , 𝑃(𝐶|𝐹𝑛)𝑃(𝐶)

Untuk klasifikasi dengan data kontinyu menggunakan rumus Densitas

Gauss:

𝑃 = (𝑋𝑖 = 𝑥𝑖|𝑌𝑖 = 𝑦𝑖) =1

√2𝜋𝜎𝑖𝑗𝑒

−(𝑥𝑖−𝑢𝑗)

2

2𝜎2𝑖𝑗

Keterangan:

P = peluang

Xi = atribut ke i

xi = nilai atribut ke i

Yi = kelas yang dicari

yi = sub kelas Y yang dicari

u = mean, rata – rata dari seluruh atribut

………….….(2.5)

…….(2.6)

…………....(2.4)


15

= deviasi standar, menyatakan varian dari seluruh atribut

2.6 Cross Validation

Dalam k – fold cross validation, data awal dipartisi secara acak menjadi

k subset yang saling eksklusif atau "lipatan," D1, D2, ..., Dk, masing-masing

berukuran kurang lebih sama. Training dan testing dilakukan k kali. Dalam

iterasi ke – i, partisi Di dicadangkan sebagai set testing, dan yang lainnya set

training. Dalam iterasi pertama, himpunan bagian D2, ..., Dk secara kolektif

berfungsi sebagai data training yang ditetapkan untuk mendapatkan model

pertama, yang diuji pada D1; iterasi kedua dilatih pada himpunan bagian D1,

D3, ..., Dk dan diuji pada D2; dan seterusnya.

Gambar 2.1 3 – Fold Cross Validation

2.7 Confusion Matrix

Confusion Matrix adalah tabel yang mencatat hasil klasifikasi. Berikut

contoh dari Confusion Matrix:

Tabel 2.1 Confusion Matrix

Actual

Class/Predicted

Class

Positive Negative

True True Positives

(TP)

False Negative

(FN)


16

False False Positive

(FP)

True

Negative(TN)

Dari Tabel 2.1 apabila klasifikasi yang diprediksi secara benar maka akan

bernilai True Positive dan True Negative, sedangkan diprediksi secara salah

maka bernilai False Negative dan False Positive. Misal suatu klasifikasi

memprediksi benar (sama dengan label) maka akan masuk ke True Positive

dan True Negative. Apabila klasifikasi tersebut memprediksi salah (tidak sama

dengan label) maka akan masuk ke False Positive dan False Negative. Berikut

perhitungan akurasi menggunakan Confusion Matrix:

𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑇𝑃+𝑇𝑁

𝑇𝑃+𝐹𝑁+𝐹𝑃+𝑇𝑁× 100% …………...….(2.7)


17

BAB III

METODE PENELITIAN

3.1 Deskripsi Data Penelitian

Data yang digunakan dalam penelitian ini adalah data anggota yang

mendapatkan pinjaman/kredit dan data anggota yang tidak mendapatkan

pinjaman/kredit. Data tersebut didapat dari lembaga koperasi simpan pinjam

CU Usaha Kita. Data yang digunakan bersifat rentet waktu (time series)

mulai dari September 2019 sampai Juli 2020. Data tersebut memiliki 14

atribut dan 1 label kelas dengan jumlah 280 data. Data ini dikumpulkan dari

data anggota yang mendapatkan pinjaman/kredit sebanyak 155 data dan

data anggota yang tidak mendapatkan pinjaman/kredit sebanyak 125 data.

tabel 3.1 dan tabel 3.2 merupakan contoh dari kedua data tersebut.

Kemudian tabel 3.1 merupakan penjelasan setiap atribut.

Tabel 3.1 Contoh Data Anggota yang Mendapatkan Pinjaman/Kredit


16

Tabel 3.2 Contoh Data Anggota yang Tidak Mendapat

Pinjaman/Kredit

Tabel 3.3 Penjelasan Atribut

No Atribut Keterangan

1 L/P Jenis kelamin dari debitur, L =

Laki – laki dan P = Perempuan.

2 Pekerjaan Pekerjaan dari debitur, petani, IRT

(ibu rumah tangga), swasta,

wiraswasta, mahasiswa, honorrer,

freelance.

3 Jumlah Simpanan Jumlah simpanan milik debitur

yang sekarang.

4 Penghasilan Per Bulan Jumlah penghasilan atau gaji yang

diterima debitur selama sebulan.

5 Umur Usia dari debitur

6 Status Perkawinan Merupakan status debitur dalam

masyarakat, apakah kawin atau

belum kawin.

7 Jumlah Tanggungan

dalam Keluarga

Jumlah dari anggota keluarga yang

ditanggung oleh debitur, jumlah 0

menandakan tidak ada anggota

keluarga yang ditanggung


17

8 Domisili Pemohon Alamat asal debitur

9 Jumlah Pinjaman yang

Sedang Berjalan

Jumlah pinjaman/kredit yang

masih ada atau belum lunas, jika

sudah lunas atau pun baru pertama

kali melakukan pinjaman/kredit

maka bernilai 0.

10 Barang Jaminan Benda/aset debitur yang dijanjikan

kepada CU Usaha Kita apabila

tidak dapat membayar pinjaman.

11 Tujuan Peminjaman Alasan debitur melakukan

peminjaman.

12 Kemampuan Membayar Kemampuan yang dihitung dari

rata – rata pembayaran pada

pinjaman lalu atau yang sedang

berjalan.

13 Prestasi Pinjaman Lalu Merupakan prestasi dari rajinnya

debitur dalam membayar angsuran

pinjaman secara tepat waktu, jika

debitur selalu membayar tepat

waktu maka dicap baik, jika tidak

maka dicap kurang baik.

14 Status Kredit Menandakan keadaan kredit

debitur apakah lancar atau

diragukan.

15 Status Pengajuan

Pinjaman

Menjadi penanda atau label

apakah debitur diberi (mendapat

pinjaman/kredit) atau ditolak

(tidak mendapat pinjaman/kredit).

Berikut ini atribut prinsip 5C yang digunakan dalam penelitian ini

dapat dilihat pada tabel 3.4.

Tabel 3.4 Kode Atribut Prinsip 5C

No Kode Prinsip Atribut

1 C1 Capacity to pay Kemampuan Membayar dan

Penghasilan Per Bulan

2 C2 Character Pekerjaan, Status

Perkawinan, Prestasi

Pinjaman Lalu, Status Kredit

3 C3 Capital status Jumlah Simpanan.


18

4 C4 Collateral Barang Jaminan

5 C5 Credit condition Tujuan Peminjaman

Pada tabel 3.4, atribut yang digunakan dalam dalam penelitian ini ada

sembilan atribut. Ke sembilan atribut tersebut merupakan pembentuk

prinsip 5C yang digunakan dalam pemberian pinjaman/kredit. Sementara

sisa atribut yang tidak digunakan akan diabaikan karena tidak termasuk

dalam pembentuk prinsip 5C.

3.2 Tahap – Tahap Penelitian

Untuk mempermudah melakukan penelitian, langkah – langkah

penelitian digambarkan pada gambar 3.1 penjelasan lebih detil dijelaskan

pada 3.2.1 sampai 3.2.3.

Pengumpulan

Data

Data Mining:

Klasifikasi pemberian

kredit Naïve Bayes

Preprocessing:

Data integration, data

selection dan data

transformation

Evaluasi pola

hasil percobaan

Gambar 3.1 Skema Penelitian

3.2.1 Pengumpulan Data

Tahap awal dalam melakukan penelitian ini adalah

pengumpulan data. Data yang dikumpulkan adalah data anggota yang

mendapatkan pinjaman dan data anggota yang tidak mendapatkan

pinjaman. Pengumpulan data dilakukan dengan cara mengirim surat

izin ke CU Usaha Kita untuk minta izin pengumpulan data. Surat

tersebut diberikan ke ketua pengurus CU Usaha Kita.


19

3.2.2 Preprocessing

Pada tahap ini data yang telah dikumpulkan dilakukan

preprocessing. Tahap preprocessing yang dilakukan adalah data

integration (penggabungan data), data selection (seleksi data), dan

data transformation (transformasi data).

3.2.3 Data Mining

Proses ini merupakan proses untuk menggali informasi dari

data yang ada. Penggalian informasi dilakukan dengan

mengklasifikasi data. Pada penelitian ini dilakukan klasifikasi

menggunakan metode Naïve Bayes untuk data anggota yang

mendapatkan pinjaman/kredit dan data anggota yang tidak

mendapatkan pinjaman/kredit.

3.2.4 Evaluasi Pola Hasil Percobaan

Proses ini dilakukan untuk mencari pola – pola yang benar –

benar menarik yang mewakili pengetahuan berdasarkan ukuran –

ukuran yang penting. Hasil penambangan data yang didapat dari

perangkat lunak yang telah dibangun kemudian dievaluasi oleh

peneliti. Cara mengevaluasi pola dengan menggunakan cross

validation dan uji berbagai fold. Kemudian hasil evaluasi dijelaskan

oleh peneliti agar mudah dipahami oleh pihak – pihak yang

membutuhkan.

3.3 Kebutuhan Sistem

Perangkat yang digunakan untuk membuat sistem:

a. Hardware:

i. Prosesor : Intel Core i3 – 8145U


20

ii. Memori : 8 GB

iii. SSD : 512 GB

b. Software:

i. Sistem operasi : Windows 10 Home 64 – bit

ii. Aplikasi : Matlab R2018a


21

BAB IV

PEMROSESAN AWAL dan DESAIN SISTEM

4.1 Pemrosesan Awal Data

4.1.1. Data Integration

Pada tahap ini melakukan penggabungan dua data menjadi

satu, yaitu data anggota yang mendapatkan pinjaman/kredit dan data

anggota yang tidak mendapatkan pinjaman/kredit. Data anggota

yang mendapatkan pinjaman/kredit sebanyak 155 dan data anggota

yang tidak mendapatkan pinjaman/kredit sebanyak 125 digabungkan

menjadi satu data sehingga berjumlah 280. Proses penggabungan

data ini dilakukan secara manual menggunakan excel. Data yang

telah digabung disebut data kredit.

4.1.2. Data Selection

Pada tahap ini akan dilakukan penyeleksian data sesuai

dengan prinsip 5C yang digunakan CU Usaha Kita dalam pemberian

pinjaman/kredit. Atribut – atribut yang dipilih merupakan atribut

yang digunakan oleh CU Usaha Kita dalam melakukan pemberian

pinjaman/kredit berdasarkan prinsip 5C dan untuk atribut yang tidak

termasuk dalam prinsip 5C akan diabaikan. Berikut ini atribut yang

membentuk prinsip 5C:

a. C1(Capacity to pay): merujuk pada kemampuan anggota

untuk mengembalikan pinjaman, maka prinsip ini terdiri dari

atribut Kemampuan Membayar dan Penghasilan Per Bulan.

b. C2 (Character): merujuk pada watak anggota yang dapat

dipercaya, kejujuran, tepat janji dan reputasi di masyarakat


22

maka prinsip ini terdiri dari Pekerjaan, Status Perkawinan,

Prestasi Pinjaman Lalu, dan Status Kredit.

c. C3 (Capital status): merujuk pada simpanan saham dan

simpanan non saham maka prinsip ini terdiri dari atribut

Jumlah Simpanan.

d. C4 (Collateral): merujuk pada aset – aset pribadi yang

menjadi jaminan maka prinsip ini terdiri dari atribut Barang

Jaminan.

e. C5 (Credit condition): merujuk pada faktor – faktor

eksternal, faktor – faktor tersebut adalah legalitas kegiatan

usaha yang diusulkan untuk didanai dari pinjaman dan

dampak lingkungan dari kagiatan usaha tersebut maka

prinsip ini terdiri dari atribut Tujuan Peminjaman.

4.1.3. Data Transformation

Pada tahap ini melakukan transformasi atribut bertipe

nominal/kategorial dan atribut numeric. Atribut bertipe

nominal/kategorial direpresentasi ke dalam bentuk kode tabel 4.1

sampai tabel 4.6. Sedangkan atribut numeric dinormalisasi secara

MinMax. Normalisasi dilakukan untuk mengubah data ke skala

interval yang lebih kecil, misal [0,1]. Berikut rumus normalisasi

untuk skala [0, 1]:

𝑉𝑖 = 𝑋−𝑀𝑖𝑛(𝑋)

𝑀𝑎𝑥(𝑋)−𝑀𝑖𝑛(𝑋)(𝑛𝑒𝑤_𝑚𝑎𝑥𝐴 − 𝑛𝑒𝑤_𝑚𝑖𝑛𝐴) + 𝑛𝑒𝑤_𝑚𝑖𝑛𝐴…(4.1)

Keterangan:

Vi = hasil normalisasi.

X = data yang dinormalisasi.

Min(X) = jumlah minimum dari data X.


23

Max(X) =jumlah maximum dari data X.

new_minA = jangkauan minimum data.

new_maxA = range maximum data.

Menggunakan rumus 4.1 maka dapat dinormalisasikan data berikut:

Normalisasi atribut jumlah simpanan

𝑉 =6.210.867

42.112.087−1.317.956 (1 – 0) + 0 = 0,119941763

Normalisasi penghasilan per bulan

𝑉 =3.275.000

6.780.000−850.000 (1 – 0) + 0 = 0,408937605

Normalisasi kemampuan membayar

𝑉 =500.000

4.200.000−150.000 (1 – 0) + 0 = 0,086419753

Tabel 4.1 Representasi Atribut Pekerjaan

Nilai Atribut

Pekerjaan

Representasi

Angka

Mahasiswa 1

IRT 2

Honorer 3

Petani 4

Freelance 5

Swasta 6

Wiraswasta 7

Tabel 4.2 Representasi Atribut Status Perkawinan

Nilai Atribut Status

Perkawinan

Representasi

Angka

Kawin 1

Belum Kawin 0


24

Tabel 4.3 Atribut Barang Jaminan

Nilai Atribut Barang

Jaminan

Representasi

Angka

Uang Tunggu Sawit 1

Simpanan di CU UK 2

Sertifikat Tanah 3

SKT Tanah 4

Tabel 4.4 Atribut Tujuan Peminjaman

Nilai Atribut Tujuan

Peminjaman

Representasi

Angka

Bangun Rumah 1

Beli Kavling Sawit 2

Beli Kebun Karet 3

Beli Kebun Sawit 4

Beli Kendaraan 5

Beli Perabot Rumah 6

Beli Rumah 7

Beli Sampan 8

Beli Tanah 9

Beli Tanah & Rumah 10

Biaya Pendidikan 11

Keperluan Keluarga 12

Modal Usaha 13

Perawatan Kebun 14

Rehab Rumah 15

Renovasi Rumah 16

Usaha Dagang 17


25

Tabel 4.5 Atribut Prestasi Pinjaman Lalu

Nilai Atribut Representasi Angka

Baik 1

Kurang Baik 0

Tabel 4.6 Atribut Status Kredit

Nilai Atribut Representasi Angka

Lancar 1

Diragukan 0

4.2 Desain Sistem

4.2.1 Use Case

Import File Preprocessing

Uji Data Tunggal

Klasifikasi

Quit

k - Fold validation

<<extend>>

<<include>>

<<extend>>

<<include>>

<<include>>

Tampil<<include>>

Pengguna

Gambar 4.1 Use Case Program Klasifikasi Pemberian Kredit


26

4.2.2 Narasi Use Case

Deskripsi untuk gambar 4.1 dijelaskan pada narasi use case

yang terdapat pada lampiran I.

4.2.3 Desain GUI

Demi mempermudah proses klasifikasi dalam penelitian ini,

maka dibuatlah sebuah user interface. User interface dibuat agar

membantu proses preprocessing, proses klasifikasi, dan mencatat

hasil akurasi. Gambar desain terdapat pada lampiran II.

4.2.4 Desain Modul Penambangan Data

Berikut ini merupakan algoritme yang digunakan untuk

membangun program klasifikasi pemberian kredit.

a. preprocessing.m

Input :

1. dataNum

2. dataTxt

Proses :

1. Mengambil atribut sesuai prinsip 5C.

2. Melakukan representasi kode untuk setiap atribut

nominal/kategorial.

3. Melakukan normalisasi atribut numeric.

4. Menggabungkan atribut nominal/kategorial dan

atribut numeric sehingga menjadi satu matrix data.

Output :

1. Matrix data prinsip 5C

b. normMinMax.m

Input :

1. Nilai kolom matrix atribut numeric.

Proses :


27

1. Mencari nilai minimum dan maksimum atribut

numeric.

2. Menentukan nilai minimum dan maksimum yang

baru, nilai baru minimum = 0 dan nilai baru

maksimum = 1.

3. Menghitung nilai minimum dan maksimum yang

baru.

4. melakukan perhitungan normalisasi sebanyak data

atribut numeric.

Output :

1. Matrix normalisasi atribut numeric.

c. NBKategori.m

Input :

1. Matrix DTrain.

2. Matrix LTrain.

3. Matrix DTest.

Proses :

1. menyimpan label = 1 ke variabel diberi dan label = 0

ke variabel ditolak.

2. Menghitung setiap atribut nominal/kategorial

terhadap label.

3. Mengambil nilai likelihood yang dibutuhkan untuk

setiap data test.

Output :

1. Matrix likelihood atribut nominal/kategorial.

d. NBnumerik.m

Input :

1. Matrix DTrain.

2. Matrix LTrain.

3. Matrix DTest.

Proses :


28

1. Menghitung rata – rata dan standar deviasi terhadap

label.

2. Menghitung likelihood setiap atribut numeric.

Output :

1. Matrix likelihood atribut numeric.

e. NBKategoriTunggal.m

Input :

1. Matrix DTrain.

2. Matrix LTrain.

3. Matrix DTest.

Proses :

1. menyimpan label = 1 ke variabel diberi dan label = 0

ke variabel ditolak.

2. Menghitung setiap atribut nominal/kategorial

terhadap label.

3. Mengambil nilai likelihood yang dibutuhkan untuk

setiap data test.

Output :

1. Matrix likelihood atribut nominal/kategorial.

f. NaïveBayesCls.m

Input :

1. Matrix NBnumerik.

2. Matrix NBKategori.

3. Matrix Label Train.

4. Matrix Data Test.

Proses :

1. Menyiapkan dua variabel matrix kosong berukuran

panjang data test x 2 (variabel hasil dan temp).

2. Menyiapkan satu variabel matrix kosong berukuran

panjang data test x 1 (variabel predik).


29

3. Mencari jumlah label diberi dan label ditolak dari

matrix Label Train.

4. Menghitung probabilitas masing - masing label.

5. Menggabungkan probabilitas label diberi dan

probabilitas label ditolak sehingga menjadi matrix

probabilitasLabel.

6. Cek apakah matrix NBnumerik sama dengan 0.

a. Jika ya, maka kalikan setiap nilai matrix

NBKategori ke matrix probabilitasLabel.

i. Kemudian melakukan klasifikasi dengan

membandingkan hasil perkalian matrix

NBKategori dan matrix

probabilitasLabel, setelah itu menyimpan

klasifikasi tersebut ke variabel output.

b. Jika tidak, maka lanjut Langkah 7.

7. Cek apakah matrix NBKategori sama dengan 0.

a. jika ya, maka kalikan setiap nilai matrix

NBnumerik ke matrix probabilitasLabel.



NBnumerik dan matrix probabilitasLabel,

setelah itu menyimpan klasifikasi tersebut

ke variabel output..

b. Jika tidak maka kalikan setiap nilai dari matrix

naive bayes numerik mau pun matrix naive bayes

kategori ke probabilitas label.



NBKategori, matrix NBnumerik dan

matrix probabilitasLabel, setelah itu


30

menyimpan klasifikasi tersebut ke

variabel output..

Output :

1. Matrix hasil klasifikasi.

4.2.5 Desain Pengujian

4.2.5.1 Desain Uji Validasi Program

Pada bagian ini dilakukan uji validasi terhadap

program yang dibangun. Dilakukannya pengecekan apakah

program dapat berjalan sesuai yang diharapkan.

4.2.5.2 Desain Uji Akurasi

Pada penelitian ini menggunakan uji akurasi

confusion matrix. Confusion Matrix digunakan untuk

mencatat hasil klasifikasi yang telah dilakukan oleh sistem.

Selain menggunakan confusion matrix, di penelitian ini juga

menggunakan K – Fold Cross Validation untuk mencari

kombinasi fold yang memiliki akurasi tertinggi. Fold yang

digunakan dalam penelitian ini adalah 3 fold, 5 fold, 7 fold

dan 10 fold. Alasan jumlah fold 3, 5, dan 7 dipilih adalah

karena meminimalisir adanya data yang sama apabila

menggunakan jumlah fold yang genap, sedangkan menurut

Han dan Kamber (2012) 10 fold dipilih karena memiliki

akurasi yang paling bagus dibandingkan jumlah fold yang di

bawah 10. Cara membagi data berdasarkan jumlah fold yang

digunakan adalah dengan mencari jumlah data untuk 1 fold

yakni jumlah data kredit dibagi jumlah fold. Kemudian untuk

memisahkan data training dan data testing adalah dengan

mengambil salah satu fold data untuk dijadikan data testing

sementara sisanya menjadi data training.


31

4.2.5.3 Desain Uji Data Tunggal

Pada bagian ini dilakukan uji data tunggal dengan cara

memasukan sejumlah nilai pada kolom input yang

disediakan. Setelah nilai – nilai telah dimasukan maka

mengklik tombol klasifikasi untuk melakukan klasifikasi dan

kemudian sistem menampilkan hasil klasifikasi yakni

“Diberi” atau “Ditolak”. Kemudian untuk data training yang

digunakan pada program “Test Data Tunggal” adalah data

training yang ada pada 10 fold. Alasan menggunakan data

training yang ada pada 10 fold karena memiliki akurasi yang

paling baik dibandingkan fold 3, 5 atau 7.


32

BAB V

IMPLEMENTASI dan ANALISIS HASIL

5.1 Implementasi Use Case

5.1.1. Cuplikan Program Matlab

Cuplikan program terdapat pada lampiran III.

5.1.2. Cuplikan Tampilan Program

1. Program Klasifikasi

Gambar 5.1 Tampilan Program Klasifikasi

Gambar 5.1 merupakan tampilan dari program

klasifikasi, pada GUI tersebut dapat melakukan input file,

preprocessing, test data tunggal dan melakukan klasifikasi

berdasarkan jumlah fold yang dimasukan.

2. Uji Data Tunggal

Gambar 5.2 Tampilan Uji Data Tunggal


33

Gambar 5.2 merupakan tampilan Uji Data Tunggal, pada

tampilan tersebut pengguna diminta memasukan sejumlah nilai

pada kolom input yang telah disediakan dan tombol

“Klasifikasi” untuk melakukan klasifikasi dari data yang

dimasukan oleh user.

3. Tiga Fold

Gambar 5.3 Tampilan Tiga Fold

Gambar 5.3 merupakan tampilan Tiga Fold, pada

tampilan tersebut terdapat tabel confusion matrix untuk setiap

fold, akurasi setiap fold dan rata – rata akurasi, tombol “Tampil”

untuk memunculkan hasil klasifikasi.

4. Lima Fold

Gambar 5.4 Tampilan Lima Fold

Gambar 5.4 merupakan tampilan Lima Fold, pada



34



5. Tujuh Fold

Gambar 5.5 Tampilan Tujuh Fold

Gambar 5.3 merupakan tampilan Tujuh Fold, pada




6. Sepuluh Fold

Gambar 5.6 Tampilan Sepuluh Fold

Gambar 5.6 merupakan tampilan Sepuluh Fold, pada



35



5.2 Analisis Hasil

5.2.1. Hasil Uji Validasi

5.2.1.1 Pengujian Validasi Program

Penulisan pengujian validasi program dapat dilihat

pada lampiran III.

5.2.1.2 Evaluasi Pengujian Program

Dari semua hasil pengujian yang terlampir pada

lampiran III menunjukan bahwa program yang dibangun

sudah dapat berjalan dengan baik sesuai dengan desain yang

dibuat. Hal ini dibuktikan dengan hasil dari pengujian fungsi

- fungsi yang ada berjalan sesuai dengan yang diharapkan.

Selain hal tersebut program juga dapat mengatasi kesalahan

memasukan jumlah fold dengan cara menampilkan pesan

kesalahan. Tentu saja hal tersebut sangat baik karena dengan

adanya pesan kesalahan maka user mengetahui kesalahan

apa yang telah dilakukannya sehingga dapat menghindari

kesalahan yang sama di masa mendatang.

5.2.1.3 Perbandingan Hasil Hitung Program dan Hasil Hitung

Manual

a. Perhitungan Program

Proses perhitungan menggunakan program

dengan data anggota yang mendapatkan pinjaman/kredit

dan data anggota yang tidak mendapatkan


36

pinjaman/kredit yang telah digabungkan menjadi satu

data. Proses awal dilakukan dengan memasukan

file .xlsx yang berisi kedua data tersebut, kemudian

dilakukan preprocessing, hasil preprocessing tersebut

dapat dilihat pada gambar 5.7a dan gambar 5.7b.

Gambar 5.7a Preprocessing Perhitungan Program

Gambar 5.7b Preprocessing Perhitungan Program


37

Selanjutkan memasukan jumlah fold = 5 dan

mengklik tombol “Klasifikasi”. Dengan masukan

jumlah fold = 5 maka program akan menghitung

sebanyak lima kali untuk menemukan kombinasi fold

yang terbaik. Akurasi yang didapatkan oleh program

adalah sebesar 95,3571% yang dapat dilihat pada

gambar 5.8 berserta dengan hasil akurasi tiap – tiap fold

dan confusion matrix tiap – tiap fold.

Gambar 5.8 Akurasi Perhitungan Program

b. Perhitungan Manual

Proses perhitungan manual klasifikasi model

Naïve Bayes menggunakan data yang sama dengan

perhitungan program yaitu data anggota yang

mendapatkan pinjaman/kredit dan data anggota yang

tidak mendapatkan pinjaman/kredit yang telah

digabungkan menjadi satu data. Proses perhitungan

menggunakan Microsoft Excel.

Untuk perhitungan manual data yang digunakan

adalah data yang telah mengalami preprocessing seperti


38

pada gambar 5.7a dan gambar 5.7b. Pada pengujian

perhitungan program menggunakan jumlah fold 5 maka

perhitungan manual juga menggunakan jumlah fold 5.

Proses perhitungan manual dapat dilihat pada lampiran

V.

c. Evaluasi Pengujian

Hasil perhitungan manual dengan perhitungan

program tidak memiliki perbedaan, baik itu di hasil

confusion matrix dan akurasinya. Perbandingan

confusion matrix perhitungan manual dan perhitungan

program dapat dilihat pada tabel 5.1. Untuk hasil akurasi

rata – rata yang diperoleh dari perhitungan manual dan

perhitungan program sama – sama sebesar 95,3571%.

Maka dari itu dapat disimpulkan program dapat bekerja

dengan sangat baik dan sesuai yang diinginkan.

Tabel 5.1 Perbandingan Hasil Program dan Hasil

Manual

Model Hasil Perhitungan

Program

Hasil Perhitungan Manual

Model 1

Model 2

Model 3

Model 4


39

Model 5

5.2.2. Hasil Uji Akurasi

Dari hasil penelitian yang dilakukan menggunakan klasifikasi

Naïve Bayes telah dilakukan seleksi atribut berdasarkan prinsip 5C

(capacity to pay, character, capital, collateral, credit condition).

Berikut ini atribut yang berdasarkan prinsip 5C:

Tabel 5.2 Daftar Atribut Prinsip 5C

No. Kode Prinsip Atribut

1 C1 Capacity to pay

Kemampuan Membayar dan

Penghasilan Per Bulan.

2

C2 Character

Pekerjaan, Status Perkawinan,

Prestasi Pinjaman Lalu, dan

Status Kredit.

3 C3 Capital Status Jumlah Simpanan.

4 C4 Collateral Barang Jaminan

5 C5 Credit Condition Tujuan Peminjaman

Dari atribut yang membentuk prinsip 5C tersebut dilakukan uji

coba klasifikasi menggunakan Naïve Bayes dan menggunakan empat

jenis k – fold validation didapat hasil akurasi seperti tabel 5.3 sebagai

berikut:

Tabel 5.3 Tabel Hasil Percobaan

Jumlah Fold Akurasi

3 Fold 96,4158%

5 Fold 95,3571%

7 Fold 94,2857%


40

10 Fold 97,5000%

Tabel 5.3 merupakan tabel hasil akurasi dari empat jenis fold

yang digunakan, yaitu 3 fold, 5 fold, 7 fold, dan 10 fold. Dari ke

empat jenis fold yang digunakan terjadi penurunan dan kenaikan

nilai akurasi. Untuk mempermudah melihat pola penurunan dan

kenaikan akurasi maka berikut grafik rata – rata akurasi pengujian

ditampilkan pada gambar 5.9.

Gambar 5.9 Grafik rata – rata akurasi

Gambar 5.9 merupakan gambar grafik rata – rata akurasi dari

uji coba yang dilakukan. Dari gambar grafik tersebut terlihat akurasi

rata – rata 3 fold bernilai sebesar 96,4158%, kemudian terjadi

penurunan rata – rata akurasi ketika menggunakan jumlah fold 5 dan

7 bernilai sebesar 95,3571% dan 94,2857%, lalu setelah itu terjadi

kenaikan rata – rata akurasi ketika menggunakan jumlah fold 10

3 Fold 5 Fold 7 Fold 10 Fold

Series1 96,4158% 95,3571% 94,2857% 97,5000%

91,0000%

92,0000%

93,0000%

94,0000%

95,0000%

96,0000%

97,0000%

98,0000%

99,0000%

100,0000%

Aku

rasi

Rata - Rata Akurasi


41

bernilai sebesar 97,5000%. Serta rata – rata akurasi tertinggi bernilai

97,5000% dengan jumlah fold 10.

5.2.3. Uji Data Tunggal

Pada bagian ini digunakan untuk pengujian terhadap suatu

data. Data yang diuji dimasukan ke kolom input yang telah

disediakan dan kemudian akan menghasilkan output berupa label

kelas hasil prediksi yakni, “Diberi” atau “Ditolak”. Hasil pengujian

dapat dilihat pada gambar 5.10 dan gambar 5.11 di bawah ini.

Gambar 5.10 Uji Data Tunggal Klasifikasi Diberi

Gambar 5.11 Uji Data Tunggal Klasifikasi Ditolak


42

BAB

VI PENUTUP

6.1 Kesimpulan

Dari hasil penelitian ini, menggunakan metode Naïve Bayes untuk

melakukan proses klasifikasi data pemberian kredit bagi anggota CU Usaha

Kita dapat disimpulkan sebagai berikut:

1. Algoritma Naïve Bayes dapat dipergunakan untuk klasifikasi

pemberian kredit bagi anggota CU Usaha Kita berdasarkan prinsip

5C.

2. Berdasarkan hasil uji coba menggunakan variasi jumlah fold sebanyak

3, 5, 7, dan 10, diperoleh akurasi tertinggi sebesar 97,5% dengan

jumlah fold 10.

6.2 Saran

Saran untuk penelitian akhir ini adalah sebagai berikut:

1. Sistem dapat dikembangkan dengan menggunakan metode yang

berbeda.

2. Selain pemilihan atribut berdasarkan 5C, dapat juga menggunakan 7P

(Personality, Party, Purpose, Prospect, Payment, Profitability,

Protection) atau pun 3R (Return, Repayment, Risk Bearing Anility)

dalam analisa kredit.


43

DAFTAR PUSTAKA

Ciptohartono, C. C. (2014). Algoritma Klasifikasi Naive Bayes untuk Menilai

Kelayakan Kredit. Fakultas Ilmu Komputer Udinus.

Credit Union Usaha Kita (2020). Kebijakan Credit Union Usaha Kita. Sungai

Ayak: Credit Union Usaha Kita.

Credit Union Usaha Kita (1998). Manual Operasional Koperasi Simpan Pinjam

CU Usaha Kita. Sungai Ayak: Credit Union Usaha Kita.

DPR RI (1998). UU Perbankan No. 10. September 7, 2019.

https://jdih.kemenkeu.go.id/fulltext/1998/10tahun~1998uu.htm.

Han, J., Kamber, M., & Pei, J. (2011). Data mining concepts and techniques third

edition. The Morgan Kaufmann Series in Data Management Systems, 83-

124.

Khasanah, S. N. (2019). KOMPARASI ALGORITMA C4. 5 DAN NAIVE BAYES

UNTUK MENGANALISA KELAYAKAN PENGAJUAN KREDIT. Jurnal

Mantik Penusa, 3(3).

Kredit (Def. 2)(n. d). Dalam Kamus Besar Bahasa Indonesia (KBBI) Online.

https://kbbi.web.id/kredit.

Kusrini dan Luthfi, E. T.(2009). Algoritme Data Mining. Yogyakarta: Andi.

Menarianti, I. (2015). Klasifikasi data mining dalam menentukan pemberian kredit

bagi nasabah koperasi. Jurnal Ilmiah Teknosains, 1(1/November).

Prasetyo, E. (2012). Data Mining: Konsep dan Aplikasi menggunakan MATLAB.

D.I. Yogyakarta: Andi.


https://jdih.kemenkeu.go.id/fulltext/1998/10tahun~1998uu.htm

https://kbbi.web.id/kredit

44

LAMPIRAN


45

LAMPIRAN I: NARASI USE CASE

1. Narasi Use Case Import File

Import File

Nama Use Case Import File

ID Use Case 1

Aktor User

Deskripsi Use case ini merupakan proses memasukan dataset

dari file .xls atau xlsx ke dalam system.

Kondisi Awal User telah berada di GUI Utama.

Kondisi Akhir Data ditampilkan ke dalam tabel data di halaman

GUI Utama

Typical Course Aksi Aktor Reaksi Sistem

1. Mengklik

tombol Import

File.

2. Menampilkan

dialog pencarian

file.

3. Memilih file

yang digunakan

sebagai data

set.

4. Menampilkan data

dari file yang

dipilih ke dalam

tabel data.

Alternate

Course - -


46

2. Narasi Use Case Preprocessing

Preprocessing

Nama Use Case Preprocessing

ID Use Case 2

Aktor User

Deskripsi Use case ini merupakan proses preprocessing dataset

yang dimasukan sebelumnya.


Kondisi Akhir Data yang telah mengalami preproccessing

ditampilkan ke dalam tabel data preprocessing di

halaman GUI Utama


1. Mengklik

tombol

Preprocessing.

2. Melakukan

preprocessing pada

dataset.

3. Menampilkan

dataset yang telah

mengalami

preprocessing di

tabel data

preprocessing.

Alternate

Course - -


47

3. Narasi Use Case Test Data Tunggal

Test Data Tunggal

Nama Use Case Test Data Tunggal

ID Use Case 3

Aktor User

Deskripsi Use case ini merupakan test data tunggal dengan cara

memasukan nilai yang sesuai dengan prinsip 5C.

Kondisi Awal User masuk ke GUI Test Data Tunggal.

Kondisi Akhir Nilai yang telah dimasukan berhasil diklasifikasi.


1. Mengklik

tombol Test

Data Tunggal.

2. Menampilkan GUI

Test Data Tunggal.

3. Memasukan

nilai yang

sesuai dengan

prinsip 5C.

4. Mengklik

tombol

klasifikasi.

5. Menampilkan hasil

klasifikasi.

Alternate

Course - -


48

4. Narasi Use Case Klasifikasi

Klasifikasi

Nama Use Case Klasifikasi

ID Use Case 4

Aktor User

Deskripsi Use case ini merupakan proses klasifikasi dari data

yang telah dipilih dan mengalami preprocessing.


Kondisi Akhir Menampilkan hasil akurasi berdasarkan jumlah fold

yang dimasukan.


1. Memasukan

jumlah fold (3,

5, 7, atau 10).

2. Mengklik

tombol

klasifikasi.

3. Menampilkan GUI

jumlah fold yang

dimasukan.

4. Mengklik

tombol tampil.

5. Menampilkan

akurasi dari jumlah

fold yang

dimasukan.

Alternate

Course - -


49

5. Narasi Use Case Tampil

Tampil

Nama Use Case Tampil

ID Use Case 5

Aktor User

Deskripsi Use case ini merupakan proses memunculkan hasil

klasifikasi di tabel confusion matrix tiap fold.

Kondisi Awal User telah berada di GUI Tiga Fold, Lima Fold,

Tujuh Fold, atau pun Sepuluh Fold.

Kondisi Akhir Menampilkan hasil akurasi berdasarkan jumlah fold

yang dimasukan.


1. Mengklik

tombol tampil.


akurasi berdasarkan

jumlah fold yang

dimasukan oleh

user.

Alternate

Course - -

6. Narasi Use Case Tiga Fold

Import File

Nama Use Case Tiga Fold

ID Use Case 6

Aktor User

Deskripsi Use case ini merupakan proses evaluasi model

klasifikasi naïve bayes menggunakan k – fold cross

validation dengan jumlah fold = 3.


50

Kondisi Awal User telah berada di GUI Tiga Fold.

Kondisi Akhir Menampilkan evaluasi model klasifikasi naïve bayes

dengan hasil akurasi Tiga Fold.


1. Mengklik

tombol tampil.


akurasi dari tiga

jenis fold di tabel

confusion matrix

masing – masing

fold dan rata – rata

akurasi tiga fold.

Alternate

Course - -

7. Narasi Use Case Lima Fold

Lima Fold

Nama Use Case Lima Fold

ID Use Case 7

Aktor User




Kondisi Awal User telah berada di GUI Lima Fold.


dengan hasil akurasi Lima Fold.


1. Mengklik

tombol tampil.


51


akurasi dari lima

jenis fold di tabel

confusion matrix

masing – masing


akurasi lima fold.

Alternate

Course - -

8. Narasi Use Case Tujuh Fold

Tujuh Fold

Nama Use Case Tujuh Fold

ID Use Case 8

Aktor User




Kondisi Awal User telah berada di GUI Tujuh Fold.


dengan hasil akurasi Tujuh Fold.


1. Mengklik

tombol tampil.


akurasi dari tujuh

jenis fold di tabel

confusion matrix

masing – masing


52


akurasi tujuh fold.

Alternate

Course - -

9. Narasi Use Case Sepuluh Fold

Sepuluh Fold

Nama Use Case Sepuluh Fold

ID Use Case 9

Aktor User




Kondisi Awal User telah berada di GUI Sepuluh Fold.


dengan hasil akurasi Sepuluh Fold.


1. Mengklik

tombol tampil.


akurasi dari sepuluh

jenis fold di tabel

confusion matrix

masing – masing


akurasi sepuluh

fold.


53

Alternate

Course - -

10. Narasi Use Case Quit

Quit

Nama Use Case Quit

ID Use Case 10

Aktor User

Deskripsi Use case ini merupakan proses menutup program

klasifikasi.

Kondisi Awal User telah berada di halaman GUI Utama.

Kondisi Akhir Menutup GUI Utama.


1. Mengklik

tombol quit.

2. GUI Utama ditutup.

Alternate

Course - -


54

LAMPIRAN II : Desain GUI

1. GUI Utama

Import File Preprocessing Uji Data Tunggal

Tabel Data

Klasifikasi Pemberian Kredit Bagi Anggota CU Usaha Kita

Close

Tabel Preprocessing

Input jumlah fold (3,5,7,10) : Klasifikasi

2. GUI Tiga Fold

Tampil Close

Akurasi rata – rata 3 fold :

Tabel Confusion Matrix Fold 1 Tabel Confusion Matrix Fold 2 Tabel Confusion Matrix Fold 3

Akurasi fold 1 : Akurasi fold 2 : Akurasi fold 3 :

3. GUI Lima Fold

Tampil Close


Tabel Confusion Matrix Fold 1



Akurasi fold 1 :

Akurasi fold 2 :

Akurasi fold 3 :

Tabel Confusion Matrix Fold 4 Tabel Confusion Matrix Fold 5

Akurasi fold 4 :Akurasi fold 5 :


55

4. GUI Tujuh Fold

Tampil

Close






Akurasi fold 4 :

Akurasi fold 5 :

Tabel Confusion Matrix Fold 5 Tabel Confusion Matrix Fold 6

Akurasi fold 6 :Akurasi fold 7 :

5. GUI Sepuluh Fold

Tampil Close






Akurasi fold 4 : Akurasi fold 5 :



Akurasi fold 6 : Akurasi fold 7 :




56

6. GUI Uji Data Tunggal

Pekerjaan

Jumlah Simpanan

Penghasilan Per Bulan

Kemampuan Membayar

Tujuan Pinjaman

Status Perkawinan

Jaminan

Status Kredit

Prestasi Pinjaman

Klasifikasi Clear Close

Label :

Keterangan

Pekerjaan:

1. Mahasiswa 5. Freelance

2. IRT 6. Swasta

3. Honorer 7. Wiraswasta

4. Petani

Status Perkawinan:

1. Kawin

2. Belum Kawin

Prestasi Pinjaman:

1. Baik

2. Kurang Baik

Jaminan:

1. Uang Tunggu Sawit

2. Simpanan di CU UK

3. Sertifikat Tanah

Status Kredit:

1. Lancar

2. Diragukan

Tujuan Pinjaman:

1. Bangun Rumah 10. Beli Tanah & Rumah

2. Beli Kavling Sawit 11. Biaya Pendidikan

3. Beli Kebun Karet 12. Keperluan Keluarga

4. Beli Kebun Sawit 13. Modal Usaha

5. Beli Kendaraan 14. Perawatan Kebun

6. Beli Perabot Rumah 15. Rehab Rumah

7. Beli Rumah 16. Renovasi Rumah

8. Beli Sampan 17. Usaha Dagang

9. Beli Tanah


57

LAMPIRAN III: CUPLIKAN PROGRAM

1. Program Klasifikasi


58

2. Test Data Tunggal


59


60

3. Tiga Fold


61


62

4. Lima Fold


63


64

5. Tujuh Fold


65


66


67

6. Sepuluh Fold


68


69


70


LAMPIRAN IV: DESAIN UJI VALIDASI PROGRAM

Tabel Uji Validasi

Use Case Deskripsi Cara Pengujian Masukan Output yang

Diharapkan

Hasil yang

Didapat

Catatan Proses

Pengembangan

Import File Pengujian

memasukan

dataset bertipe .xls

atau .xlsx.

1. Klik tombol

“Import File”.

2. Pilih file dataset

yang akan

digunakan.

3. Klik tombol

“OK”.

Data Kredit.xlsx

Data pada “Data

Kredit.xlsx”

dapat

ditampilkan di

tabel data.

Data pada

“Data

Kredit.xlsx”

berhasil

ditampilkan di

tabel data.

Tidak

diperbaiki.

Preprocessing Pengujian

melakukan

preprocessing

dengan cara

menekan tombol

preprocessing.

1. Klik tombol

“Preprocessing”

Atribut

nominal/kategorial

dan atribut

numeric.

Dataset yang

telah mengalami

preprocessing

ditampilkan ke

tabel data

preprocessing.

Dataset yang

telah

mengalami

preprocessing

berhasil

ditampilkan ke

tabel data

preprocessing.

Tidak

diperbaiki.

Test Data

Tunggal

Pengujian uji data

tunggal dengan

cara memasukan

nilai atribut prinsip

5C berupa angka

yang telah

mengalami

preprocessing

1. Klik tombol

“Test Data

Tunggal”.

2. Menampilkan

GUI Test Data

Tunggal.

3. Memasukan nilai

– nilai atribut 5C.

Nilai – nilai dari

atribut prinsip 5C

yang telah

mengalami

preprocessing.

Berhasil

melakukan

klasifikasi

dengan

menampilkan

nilai label

(diberi atau

ditolak)

Berhasil

melakukan

klasifikasi

dengan

menampilkan

nilai label

(diberi atau

ditolak)

Tidak

diperbaiki.

71


4. Klik tombol

“Klasifikasi”

untuk

menampilkan

hasil klasifikasi.

Klasifikasi Pengujian proses

klasifikasi dengan

cara memasukan

jumlah fold yang

disediakan (3, 5, 7,

10).

1. Proses

preprocessing

sudah dilakukan.

2. Memasukan

jumlah fold yang

disediakan (3, 5,

7, 10) dan klik

tombol

“Klasifikasi”.

3. Menampilkan

GUI dari fold

yang dimasukan.

4. Klik tombol

“Tampil” pada

GUI fold.

Masukan jumlah

fold yang telah


10).

Berhasil

melakukan

klasifikasi

secara Naïve

Bayes, lalu

menampilkan

hasilnya di tabel

confusion

matrix tiap fold.

Berhasil

melakukan

klasifikasi

secara Naïve

Bayes, lalu

menampilkan

hasilnya di

tabel confusion

matrix tiap fold.

Tidak

diperbaiki.

Pengujian proses

klasifikasi dengan

cara memasukan

jumlah fold yang


10).

1. Proses

preprocessing

belum dilakukan.

2. Memasukan

jumlah fold yang

disediakan (3, 5,

7, 10) dan klik

Masukan jumlah

fold yang telah


10).

Berhasil

menampilkan

pesan untuk

melakukan

proses

preprocessing

terlebih dahulu.

Berhasil

menampilkan

pesan untuk

melakukan

proses

preprocessing

terlebih dahulu.

72


tombol

“Klasifikasi”.

Pengujian proses

klasifikasi dengan

cara memasukan

jumlah fold yang


10).

1. Dataset belum

dimasukan dan

proses

preprocessing

belum dilakukan.

2. Memasukan

jumlah fold yang

disediakan (3, 5,

7, 10) dan klik

tombol

“Klasifikasi”.

Masukan jumlah

fold yang telah


10).

Berhasil

menampilkan

pesan untuk

memasukan

dataset terlebih

dahulu.

Berhasil

menampilkan

pesan untuk

memasukan

dataset terlebih

dahulu.

73


LAMPIRAN V: PERHITUNGAN MANUAL

Dalam perhitungan manual ini menggunakan dataset yang sama seperti yang digunakan dalam perhitunga program, berikut ini

dataset yang digunakan.

Fold

Pek

erjaa

n

Jum

lah

Sim

pan

a

n

Statu

s

Perk

awin

an

Pen

ghasi

lan P

er

Bulan

Jamin

an

Tuju

an

Pin

jaman

Kem

amp

uan

Bay

ar

Prestasi

Pin

jaman

Statu

s

Kred

it

Lab

el

1

4 0,01935 1 0,08632 4 16 0,02186 1 1 1

4 0,00150 1 0,05128 1 16 0,00546 1 1 1

4 0,02959 1 0,04786 1 16 0,02186 1 1 1

2 0,01955 1 0,20615 3 16 0,03005 1 1 1

4 0,04292 1 0,08205 1 16 0,04372 1 1 1

6 0,02654 1 0,12821 1 1 0,12295 1 1 1

2 0,01202 1 0,02051 4 16 0,00820 1 1 1

6 0,15026 1 0,19795 1 16 0,22404 1 1 1

4 0,02674 1 0,00342 4 9 0,00546 1 1 1

6 0,12614 1 0,16855 3 10 0,18579 1 1 1

4 0,04235 1 0,09658 4 15 0,05191 1 1 1

4 0,05055 0 0,05983 4 16 0,02186 1 0 0

4 0,02810 1 0,07009 3 13 0,00546 0 0 0

2 0,01141 1 0,04957 4 13 0,00273 0 0 0

4 0,00695 1 0,19658 2 3 0,13087 1 1 1

2 0,01113 1 0,05641 4 13 0,00546 0 0 0

2 0,00386 1 0,05299 4 13 0,00546 0 0 0

74


4 0,00447 1 0,05641 4 13 0,00273 0 0 0

4 0,05926 1 0,09744 4 13 0,02732 0 0 0

6 0,11600 0 0,30786 2 7 0,00820 1 1 1

2 0,00141 1 0,00000 4 15 0,01093 1 1 1

4 0,03443 1 0,08188 4 15 0,04372 1 1 1

4 0,02131 1 0,05812 4 5 0,03005 1 1 1

4 0,01038 1 0,06581 3 11 0,00820 1 1 1

2 0,01289 0 0,00684 1 11 0,02732 1 1 1

4 0,00605 1 0,03590 3 1 0,00546 0 0 0

4 0,07189 0 0,16923 3 2 0,07650 1 1 1

7 0,05203 1 0,22393 2 8 0,11749 1 1 1

4 0,02459 1 0,04615 4 14 0,02612 0 0 0

2 0,00941 1 0,21026 3 13 0,00546 0 0 0

4 0,03269 1 0,07009 4 12 0,01366 0 0 0

6 0,07180 1 0,27863 2 4 0,18033 0 0 0

4 0,01119 1 0,09983 1 11 0,01421 1 1 1

2 0,01534 1 0,07179 4 13 0,01639 1 1 1

6 0,07343 1 0,12222 3 13 0,08197 1 1 1

2 0,01214 1 0,07350 4 13 0,01639 1 1 1

6 0,01731 0 0,12137 3 13 0,10383 1 1 1

6 0,03186 1 0,20342 3 13 0,04918 1 1 1

2 0,01221 1 0,13846 3 13 0,04918 1 1 1

6 0,58410 1 1,00000 3 13 0,33333 1 1 1

4 0,00419 1 0,06325 4 13 0,00820 1 1 1

4 0,04560 1 0,07009 4 9 0,03825 1 1 1

4 0,01929 1 0,09402 4 13 0,00820 0 0 0

75


2 0,01218 1 0,06325 4 13 0,00546 0 0 0

7 0,14936 1 0,18393 2 1 0,15929 1 1 1

7 0,00322 0 0,17521 4 17 0,10290 0 0 0

6 0,05387 0 0,13436 4 10 0,13115 0 0 0

6 0,03516 1 0,12000 3 5 0,01913 0 0 0

4 0,00564 1 0,09744 4 16 0,00874 0 0 0

4 0,01548 1 0,09060 4 5 0,01366 0 0 0

6 0,03292 0 0,09402 1 15 0,04098 0 0 0

2 0,00611 1 0,07179 3 5 0,03005 0 0 0

4 0,00175 1 0,09060 4 16 0,05738 1 1 1

4 0,00977 1 0,09744 4 16 0,06284 1 1 1

4 0,00564 1 0,06496 4 15 0,01639 0 0 0

2 0,01613 1 0,04957 4 13 0,00546 0 0 0

2

6 0,49008 1 0,22735 2 11 0,14754 1 0 0

6 0,49008 1 0,22735 2 11 0,14754 1 0 0

4 0,05287 0 0,12821 4 16 0,03552 1 1 1

4 0,01152 1 0,05983 4 16 0,04765 1 1 1

4 0,00764 1 0,08376 4 16 0,04290 1 1 1

4 0,00451 1 0,03932 4 16 0,04645 1 1 1

4 0,00356 1 0,02564 2 8 0,00273 0 0 0

4 0,00164 1 0,01538 2 6 0,01503 0 0 0

2 0,00164 1 0,01538 2 6 0,02596 0 0 0

4 0,06087 1 0,04615 4 16 0,04235 1 1 1

2 0,00470 1 0,08376 4 5 0,03552 1 1 1

4 0,01832 1 0,09744 4 5 0,03169 1 1 1

4 0,02630 1 0,15556 4 13 0,07650 1 1 1

76


4 0,00820 1 0,07692 4 13 0,00820 0 0 0

4 0,01839 1 0,05128 4 9 0,00546 0 0 0

4 0,02459 1 0,04615 4 14 0,02612 0 0 0

4 0,00972 0 0,15897 4 3 0,07842 0 0 0

4 0,01044 1 0,08376 3 13 0,01366 0 0 0

4 0,05156 1 0,12821 2 2 0,13388 1 1 1

2 0,01312 1 0,09060 4 13 0,06011 1 1 1

2 0,01622 1 0,06325 4 13 0,04098 1 1 1

2 0,08500 1 0,15897 4 13 0,12022 1 1 1

4 0,01330 1 0,06667 3 1 0,01913 0 0 0

4 0,00358 0 0,07009 3 13 0,00546 1 1 1

4 0,00243 1 0,05641 3 13 0,00546 1 1 1

4 0,00722 1 0,05641 4 13 0,01421 1 1 1

6 0,00183 1 0,10085 3 13 0,00546 1 1 1

4 0,05673 1 0,26496 3 13 0,12568 1 1 1

6 0,03510 0 0,05983 2 12 0,06557 1 0 0

4 0,01525 1 0,08376 4 13 0,01967 1 1 1

2 0,01053 1 0,06667 4 9 0,00656 1 1 1

4 0,01224 1 0,30940 3 5 0,13115 0 0 0

4 0,05956 1 0,28205 4 7 0,01913 0 0 0

6 0,00652 0 0,03248 4 16 0,01366 0 0 0

2 0,01317 1 0,08376 4 7 0,00820 0 0 0

4 0,01412 1 0,04615 4 9 0,01093 0 0 0

4 0,00862 0 0,09060 3 9 0,02732 1 1 1

4 0,00806 1 0,08034 3 9 0,01913 1 1 1

2 0,09391 1 0,08034 4 13 0,02732 0 0 0

77


2 0,00000 1 0,05299 4 13 0,00546 1 0 0

2 0,00513 1 0,02564 4 13 0,00273 0 0 0

2 0,04637 1 0,03932 4 16 0,00820 0 0 0

7 0,05203 1 0,19658 3 8 0,11749 1 1 1

5 0,00322 1 0,17521 2 17 0,10290 0 0 0

6 0,05207 1 0,26496 1 1 0,18333 1 1 1

7 0,00322 0 0,17521 4 17 0,10290 0 0 0

4 0,00043 0 0,02564 4 16 0,00000 0 0 0

4 0,01372 1 0,03590 4 9 0,00656 1 1 1

4 1,00000 1 0,39487 1 13 0,02295 1 1 1

4 0,15252 1 0,25812 1 16 0,27869 1 1 1

4 0,02008 1 0,08632 4 16 0,02186 1 1 1

4 0,00230 1 0,05128 1 16 0,00546 1 1 1

4 0,02958 1 0,04786 1 16 0,02186 1 1 1

2 0,02025 1 0,20615 3 16 0,03005 1 1 1

4 0,00083 1 0,03932 4 13 0,00273 0 0 0

4 0,00311 1 0,08376 3 13 0,00410 1 0 0

3

6 0,23286 1 0,19658 3 13 0,19126 0 0 0

4 0,04288 1 0,08205 1 16 0,04372 1 1 1

6 0,33404 1 0,26496 3 13 0,29508 0 0 0

2 0,01202 1 0,02051 4 16 0,00820 1 1 1

4 0,06166 1 0,70598 3 13 0,18962 1 0 0

6 0,14705 1 0,19795 1 16 0,22404 1 1 1

4 0,02673 1 0,00342 4 9 0,00546 1 1 1

4 0,05317 1 0,04957 4 16 0,02732 0 0 0

6 0,12680 1 0,16855 3 10 0,18579 1 1 1

78


4 0,00424 1 0,05641 4 16 0,03552 0 0 0

2 0,00310 1 0,06325 4 16 0,01913 0 0 0

4 0,04161 1 0,09658 4 15 0,05191 1 1 1

4 0,00221 1 0,15897 2 3 0,13087 1 1 1

2 0,00915 1 0,05983 4 16 0,00546 0 0 0

4 0,00466 1 0,01880 4 8 0,00000 0 0 0

2 0,00154 1 0,02564 3 13 0,01093 0 0 0

4 0,03542 0 0,03248 4 2 0,00546 0 0 0

4 0,01510 1 0,05983 4 2 0,01913 0 0 0

2 0,00135 1 0,00000 4 15 0,01093 1 1 1

4 0,03515 1 0,08188 4 15 0,04372 1 1 1

4 0,02065 1 0,05812 4 5 0,03005 1 1 1

4 0,01031 1 0,06581 4 11 0,00820 1 1 1

2 0,01252 0 0,00684 1 11 0,02732 1 1 1

4 0,01039 1 0,09983 1 11 0,01421 1 1 1

4 0,01695 1 0,10085 3 1 0,02186 0 0 0

2 0,01543 1 0,07179 4 13 0,01639 1 1 1

6 0,07336 1 0,12222 3 13 0,08197 1 1 1

2 0,01215 1 0,07350 4 13 0,01639 1 1 1

6 0,01666 0 0,12137 3 13 0,10383 1 1 1

4 0,00601 1 0,03248 3 1 0,00546 0 0 0

6 0,12700 1 0,27179 1 7 0,00820 1 1 1

2 0,01006 1 0,16239 3 13 0,00546 0 0 0

4 0,03204 1 0,09402 4 12 0,01366 0 0 0

6 0,03160 1 0,20342 3 13 0,04918 1 1 1

2 0,01228 1 0,13846 3 13 0,04918 1 1 1

79


6 0,59140 1 1,00000 3 13 0,33333 1 1 1

4 0,01933 1 0,11795 4 13 0,00820 0 0 0

2 0,01221 1 0,01880 4 13 0,00546 0 0 0

6 0,03582 1 0,12308 3 5 0,01913 0 0 0

4 0,00637 1 0,10427 4 16 0,00874 0 0 0

4 0,01591 1 0,08376 4 5 0,01366 0 0 0

6 0,03300 0 0,08718 1 15 0,04098 0 0 0

2 0,00618 1 0,06564 3 5 0,03005 0 0 0

4 0,00420 1 0,06325 4 13 0,00820 1 1 1

4 0,04559 1 0,06695 4 9 0,03825 1 1 1

4 0,00571 1 0,06427 4 15 0,01639 0 0 0

4 0,04559 1 0,06695 4 9 0,03825 1 1 1

4 0,01405 1 0,13846 1 15 0,09973 1 1 1

7 0,28400 0 0,12821 2 6 0,08333 1 1 1

4 0,00623 1 0,19162 2 3 0,13087 1 1 1

2 0,00619 1 0,03932 4 17 0,01093 1 1 1

4 0,02459 1 0,04615 4 14 0,02612 0 0 0

6 0,01925 1 0,14530 1 1 0,12295 1 1 1

2 0,01621 1 0,04957 3 13 0,00546 0 0 0

4 0,00828 1 0,07692 4 13 0,00820 0 0 0

4 0,01840 1 0,05128 4 9 0,00546 0 0 0

4

4 0,01036 1 0,08376 3 13 0,01366 0 0 0

4 0,01298 1 0,30256 3 5 0,13115 0 0 0

4 0,05957 1 0,28889 4 7 0,01913 0 0 0

2 0,05214 1 0,07692 2 6 0,05055 1 1 1

6 0,10871 1 0,34017 2 7 0,00820 1 1 1

80


4 0,08155 0 0,04957 2 15 0,02077 1 1 1

4 0,03445 1 0,09402 2 6 0,08060 1 1 1

4 0,05741 1 0,05299 2 14 0,02459 1 1 1

4 0,01884 1 0,10427 4 13 0,08251 1 1 1

3 0,00558 0 0,06667 3 11 0,05219 1 1 1

7 0,27269 1 0,41880 2 13 0,40437 1 1 1

4 0,01634 1 0,07350 4 15 0,03279 1 1 1

6 0,29960 0 0,14872 2 12 0,13661 1 1 1

6 0,21365 1 0,79487 3 4 1,00000 1 1 1

4 0,01627 1 0,05641 4 5 0,00546 1 0 0

6 0,00616 0 0,02564 4 16 0,01366 0 0 0

2 0,01389 1 0,09060 4 7 0,00820 0 0 0

4 0,01339 1 0,05299 4 9 0,01093 0 0 0

2 0,00506 1 0,12821 4 14 0,10929 1 1 1

6 0,49008 1 0,22735 2 11 0,14754 1 0 0

2 0,00850 1 0,09060 4 16 0,05328 1 1 1

2 0,00298 1 0,04103 4 14 0,01230 1 1 1

1 0,00650 0 0,04274 4 16 0,03333 1 1 1

5 0,00322 1 0,17521 2 17 0,10290 0 0 0

6 0,42837 1 0,17949 2 12 0,15574 1 1 1

4 0,00927 1 0,13641 4 13 0,17213 1 1 1

6 0,04657 0 0,16513 1 10 0,15847 0 0 0

4 0,02122 1 0,02564 2 12 0,02049 1 1 1

4 0,00161 1 0,02564 2 12 0,00109 1 1 1

4 0,01604 0 0,04274 2 12 0,00820 1 1 1

4 0,03027 1 0,19658 2 12 0,09290 1 1 1

81


4 0,01023 1 0,16068 2 3 0,13087 1 1 1

6 0,49008 1 0,22735 2 11 0,14754 1 0 0

5 0,00380 1 0,19224 4 1 0,16301 0 0 0

4 0,02170 1 0,02810 2 13 0,07650 0 0 0

4 0,00616 1 0,24786 3 9 0,24180 0 0 0

2 0,22075 1 0,54872 2 13 0,67268 0 0 0

7 0,14936 1 0,18393 2 1 0,15929 1 1 1

4 0,02459 1 0,04615 4 14 0,02612 0 0 0

7 0,04249 1 0,19829 2 8 0,11749 1 1 1

6 0,00197 0 0,09402 2 15 0,01902 1 1 1

2 0,00266 1 0,06667 2 11 0,10164 1 1 1

4 0,02731 1 0,11111 2 11 0,13825 1 1 1

6 0,09980 1 0,20513 2 11 0,12172 1 1 1

7 0,02153 0 0,08376 1 15 0,07814 0 0 0

2 0,00045 1 0,02564 2 13 0,02186 0 0 0

4 0,03424 1 0,19487 2 11 0,21694 1 1 1

4 0,00364 1 0,06667 2 11 0,08634 1 1 1

2 0,00673 1 0,16581 2 11 0,07240 1 1 1

2 0,01208 1 0,13162 2 11 0,13825 1 1 1

6 0,49008 1 0,22735 2 11 0,14754 1 0 0

7 0,32125 1 0,14188 2 15 0,16393 1 0 0

6 0,01295 1 0,09744 2 11 0,08962 1 1 1

4 0,00286 1 0,06667 2 11 0,06011 1 1 1

6 0,49008 1 0,22735 2 11 0,14754 1 0 0

7 0,03956 1 0,18291 4 8 0,11749 1 1 1

5 6 0,26656 1 0,14872 2 12 0,08197 0 0 0

82


6 0,45917 1 0,19316 2 11 0,24918 1 1 1

6 0,10519 0 0,27692 2 7 0,00820 1 1 1

4 0,00659 1 0,05299 2 11 0,07104 1 1 1

4 0,05439 1 0,12670 2 17 0,13721 1 1 1

4 0,04934 1 0,10769 2 17 0,15574 1 1 1

6 0,04107 1 0,23077 2 5 0,14016 1 1 1

4 0,00221 1 0,15897 2 3 0,13087 1 1 1

2 0,01281 1 0,07692 2 17 0,08060 1 1 1

4 0,01860 1 0,25470 2 17 0,27213 1 1 1

2 0,01102 1 0,16581 2 13 0,12814 1 1 1

1 0,00816 0 0,11795 2 13 0,07268 1 1 1

7 0,23482 0 0,14359 2 14 0,13661 1 0 0

3 0,00558 1 0,06667 4 11 0,05219 1 1 1

1 0,01206 1 0,08376 3 13 0,07268 1 1 1

6 0,49008 1 0,22735 2 11 0,14754 1 0 0

3 0,00452 0 0,03590 3 11 0,05219 0 0 0

7 0,04473 1 0,17607 4 8 0,11749 1 1 1

3 0,00558 0 0,06667 1 11 0,05219 1 1 1

1 0,00456 0 0,06776 2 13 0,07268 0 0 0

1 0,00609 1 0,06776 1 13 0,07268 0 0 0

3 0,00558 1 0,06667 2 11 0,05219 1 1 1

4 0,01352 1 0,06325 4 13 0,01366 0 0 0

4 0,00617 1 0,06222 4 13 0,02186 0 0 0

2 0,11546 1 0,27179 3 13 0,07650 0 0 0

4 0,02785 1 0,05299 4 16 0,00546 0 0 0

4 0,01627 1 0,05641 4 5 0,00546 1 0 0

83


4 0,01426 1 0,05641 4 13 0,01366 0 0 0

4 0,00689 1 0,05470 4 13 0,02186 0 0 0

6 0,10168 1 0,30684 1 7 0,00820 1 1 1

2 0,11466 1 0,26496 3 13 0,07650 0 0 0

4 0,02851 1 0,05983 4 16 0,00546 0 0 0

4 0,01634 1 0,06325 4 5 0,00546 1 0 0

5 0,01114 1 0,22301 1 16 0,16301 1 1 1

5 0,00712 0 0,20865 2 11 0,18978 1 1 1

5 0,00322 0 0,17521 3 17 0,10290 1 1 1

6 0,05275 0 0,17846 2 10 0,15847 0 0 0

6 0,05038 1 0,26687 4 5 0,24044 1 1 1

6 0,04308 1 0,33579 2 5 0,40710 1 1 1

6 0,05402 1 0,32602 1 5 0,40437 1 1 1

4 0,01730 1 0,01880 2 14 0,01366 0 0 0

4 0,01730 1 0,03932 3 14 0,01913 0 0 0

4 0,02459 1 0,04615 4 14 0,02612 0 0 0

4 0,10835 1 0,23077 1 2 0,18579 1 1 1

6 0,05321 0 0,24786 4 4 0,23497 0 0 0

4 0,00608 0 0,15897 3 3 0,07678 0 0 0

6 0,07144 1 0,27863 2 4 0,18033 0 0 0

4 0,00608 0 0,15897 4 3 0,07842 0 0 0

4 0,00528 1 0,02564 4 6 0,02596 0 0 0

4 0,03383 1 0,12137 3 8 0,06557 1 1 1

5 0,00322 0 0,17521 4 17 0,10290 0 0 0

4 0,00900 1 0,03248 3 6 0,02049 0 0 0

4 0,04109 1 0,12137 2 8 0,06284 1 1 1

84


5 0,00686 0 0,17521 2 17 0,08104 0 0 0

4 0,09603 1 0,28889 3 7 0,19945 1 1 1

6 0,10871 1 0,30598 2 7 0,00820 1 1 1

Berikut ini pembagian data training dan data testing.

Model 1

Training Fold 1, Fold 2,

Fold 3, Fold 4 Akurasi:

Akurasi Rata – Rata:

Test Fold 5

Model 2



Test Fold 1

Model 3



Test Fold 2

Model 4



Test Fold 3

Model 5



Test Fold 4

85


1. Klasifikasi Model 1

Menggunakan Fold 1, Fold 2, Fold 3, Fold 4 sebagai data train dan Fold 5 sebagai data test. Berikut proses klasifikasi

pada model 1.

a. Menghitung probabilitas label

Jumlah label diberi : 127

Jumlah label ditolak: 97

Berikut ini hasil perhitungan probabilitas label.

Probabilitas

Diberi

Probabilitas

Ditolak

0,567 0,433

b. Menghitung probabilitas masing – masing atribut nominal/kategorial terhadap terhadapat label

Berikut ini hasil perhitungannya.

Pekerjaan Diberi Ditolak

Mahasiswa 0,00787 0,00000

IRT 0,21260 0,23711

Honorer 0,00787 0,00000

Petani 0,51181 0,50515

Freelance 0,00000 0,03093

Swasta 0,19685 0,18557

86


Wirausaha 0,06299 0,04124

Status Perkawinan Diberi Ditolak

Kawin 0,87402 0,85567

Belum Kawin 0,12598 0,14433

Jaminan Diberi Ditolak

Uang Tunggu

Sawit 0,14961 0,04124

Simpanan di CU

UK 0,25984 0,17526

Sertifikat Tanah 0,19685 0,22680

SKT Tanah 0,39370 0,55670

87


Tujuan Pinjaman Diberi Ditolak

Bangun Rumah 0,03937 0,05155

Beli Kavling

Sawit 0,01575 0,02062

Beli Kebun Karet 0,03150 0,01031

Beli Kebun Sawit 0,00787 0,01031

Beli Kendaraan 0,03150 0,09278

Beli Perabot

Rumah 0,02362 0,02062

Beli Rumah 0,02362 0,04124

Beli Sampan 0,03150 0,02062

Beli Tanah 0,07087 0,05155

Beli Tanah &

Rumah 0,01575 0,02062

Biaya Pendidikan 0,12598 0,06186

Keperluan

Keluarga 0,04724 0,03093

Modal Usaha 0,23622 0,30928

Perawatan Kebun 0,02362 0,04124

Rehab Rumah 0,07874 0,06186

Renovasi Rumah 0,18898 0,11340

Usaha Dagang 0,00787 0,04124

88


Prestasi Pinjaman

Lalu Diberi Ditolak

Baik 1 0,13402

Kurang Baik 0 0,86598

Status Kredit Diberi Ditolak

Lancar 1 0

Diragukan 0 1

c. Menghitung rata – rata dan standar deviasi atribut numeric terhadap label


Rata – rata Simpanan Penghasilan Kemampuan

Bayar

Diberi 0,05932 0,13402 0,07790

Ditolak 0,05848 0,11260 0,05371

89


Standar Devisiasi Simpanan Penghasilan Kemampuan

Bayar

Diberi 0,12629 0,14712 0,11016

Ditolak 0,12449 0,10745 0,08948

d. Menghitung likelihood

Berikut ini hasil perhitungan likelihood.

i. Likelihood atribut nominal/kategori

Diberi Ditolak

0 0,000745318

0,005632251 0

0,000152223 0

0,014643853 0

0,000915241 0

0,000915241 0

0,001408063 0

0,003660963 0

0,000380177 0

0,000915241 0

0,011405309 0

6,09E+09 0

0 5,76E+08

0,000341349 0

0,000320014 0

90


0 0,000230694

0 0

0,000682697 0

1,87E+09 0

0 0

0 0

0,00022529 0

0 0,064448053

0 0,064448053

0 0,012324533

0 0,023630953

0 0,002992231

0 0,064448053

0 0,064448053

0,000608027 0

0 0,012324533

0 0,023630953

0 0,002992231

0 0

0 0

0 0

0 8,38E+09

0,002133429 0

0,001408063 0

0,000810703 0

0 0,002705227

91


0 0,003500882

0 0,008593074

0,001053914 0

0 1,33E-04

0 0,000147628

0 0,000248439

0 0,000362359

0 0,004296537

0,002773457 0

0 8,87E+09

0 0,001750441

0,003660963 0

0 2,79E+09

0,002080093 0

0,001056047 0

92


ii. Likelihood atribut numeric

Diberi Ditolak

8,02433176979691 11,7978682561115

0,0568457949711133 0,0207410682904105

14,8331102058268 13,4899970899694

24,3847020133444 40,9239579474892

26,7832875613519 34,0090730496017

23,7113094270862 27,5891245012004

21,0797267481668 17,9908665165583

24,5934526677076 30,0866380644715

26,8785321655287 44,8650117300367

4,44545705483351 1,06833865293894

25,3875374646061 30,8748820784867

28,3780663021662 47,7424212114316

10,2258107190155 12,1485456348322

24,8327360075452 44,2301610112987

27,2551237595111 46,6747533283096

0,0617996759717271 0,0424833858628947

21,9978082021542 37,4254447669633

27,7339008782296 34,3510107409919

24,8327360075452 44,2301610112987

25,4878982576669 43,2888061010553

25,6197650758906 43,5157010609794

24,8327360075452 44,2301610112987

21,8299763919735 40,4622498202795

93


22,1469586827021 40,8397198759591

18,1255552624288 15,4305343614513

20,8188411561875 38,1569177578599

20,5187410856816 37,7748501726160

21,3690311553508 39,3004421245220

21,6245994784952 39,5199811279838

12,0416985994418 8,56395305129127

18,9645849340786 16,9716056379519

21,3629815093041 39,4987144824326

21,0094974596635 38,9817899796935

17,8244964534564 13,8039148767139

14,9525212897855 10,2809149901653

26,3412205730721 34,8769626293576

22,6527553513990 22,1299414635696

6,93073304560504 2,14027260988176

0,138147235796701 0,00249645962347520

0,163770078218760 0,00341065374589159

18,2232408791360 31,0412737834154

20,6945977577136 36,9370924416436

22,3789246702939 40,2622918100864

14,3458193238313 8,99533160292154

8,31111317277614 3,08359528779959

27,9786991158731 42,7870336116021

12,3631019035994 5,87476165807615

27,9798334788187 42,5783026127709

19,3113281317700 33,2590006998913 94


30,0970607561929 51,3920700712610

26,3412205730721 34,8769626293576

19,7154463511272 34,6506346135283

30,3043634145464 52,0866234500832

27,3547709282024 39,2063211532466

9,29609301408735 3,50163702917486

11,8813424955573 8,50564479203169

e. Menghitung posterior


Diberi Ditolak

0 0,002589846

0,000181525 0

0,001280172 0

0,202455011 0

0,013898085 0

0,012304009 0

0,016828396 0

0,051047043 0

0,005793581 0

0,002306787 0

0,164166044 0

0,000979668 0

0 2,55E+09

95


0,00480594 0

0,004945079 0

0 6,17E+08

0 0

0,010734819 0

0,000263244 0

0 0

0 0

0,00317192 0

0 0,609237719

0 0,618084159

0 0,096735418

0 0,21304017

0 0,026587013

0 0,596373517

0 0,603505997

0,004151131 0

0 0,101213289

0 0,218608383

0 0,027222907

0 0

0 0

0 0

0 0,000822138

0,008383261 0

0,000110286 0

96


7,53E+09 0

0 0,021347795

0 0,031373153

0 0,083274392

0,008572078 0

0 0,000479069

0 0,001788622

0 0,00133006

0 0,004390433

0 0,035929767

0,047326157 0

0 0,001012239

0 0,014944376

0,062900812 0

0 0,00033093

0,010963239 0

0,007113847 0

97


f. Melakukan klasifikasi dan mencatat pada confusion matrix

Berikut ini hasil klasifikasi.

Label Sebenarnya \ Label Prediksi Diberi Ditolak

Diberi 28 3

Ditolak 0 25

g. Menghitung akurasi

Akurasi = (28 + 25) / (28 + 3 + 0+ 25) x 100% = 94,6428571428571%


Menggunakan Fold 2, Fold 3, Fold 4, Fold 5 sebagai data train dan Fold 1 sebagai data test, Berikut proses klasifikasi pada

model 2.





98


Probabilitas

Diberi

Probabilitas

Ditolak

0,5446 0,4554




Mahasiswa 0,02459 0,01961

IRT 0,18033 0,17647

Honorer 0,03279 0,00980

Petani 0,47541 0,51961

Freelance 0,02459 0,04902

Swasta 0,20492 0,18627

Wirausaha 0,05738 0,03922


Kawin 0,86066 0,81373

Belum Kawin 0,13934 0,18627

99



Uang Tunggu

Sawit

0,13934 0,03922

Simpanan di CU

UK

0,36885 0,23529


SKT Tanah 0,32787 0,50000

100



Bangun Rumah 0,02459 0,02941

Beli Kavling

Sawit

0,01639 0,01961




Beli Perabot

Rumah

0,02459 0,03922

Beli Rumah 0,04918 0,03922

Beli Sampan 0,04918 0,01961

Beli Tanah 0,05738 0,04902

Beli Tanah &

Rumah

0,00820 0,01961


Keperluan

Keluarga

0,04918 0,02941

Modal Usaha 0,20492 0,27451


Rehab Rumah 0,05738 0,03922


Usaha Dagang 0,04918 0,04902

101


Prestasi Pinjaman

Lalu Diberi Ditolak

Baik 1 0,15686



Lancar 1 0

Diragukan 0 1

c. Menghitung rata – rata dan standar deviasi terhadap label



Bayar

Diberi 0,05936 0,14442 0,09474

Ditolak 0,06660 0,11780 0,06229

102



Bayar

Diberi 0,12432 0,13064 0,11884

Ditolak 0,13179 0,10962 0,08925




Diberi Ditolak

0,017593731 0

0,007477336 0

0,007477336 0

0,003336742 0

0,007477336 0

0,000604311 0

0,006673484 0

0,003222989 0

0,007697257 0

0,000236985 0

0,007697257 0

0 0,000818675

0 0,022066702

0 0,01661791

0,004948237 0

10

3


0 0,01661791

0 0,01661791

0 0,048930512

0 0,048930512

0,00051798 0

0,002919649 0

0,007697257 0

0,007697257 0

0,010446278 0

0,000545299 0

0 0,002364289

0,000178032 0

0,000895801 0

0 0,012232628

0 0,007494351

0 0,005242555

0 0,000589618

0,008879336 0

0,010427319 0

0,005924613 0

0,010427319 0

0,000959223 0

0,005924613 0

0,005213659 0

0,005924613 0

0,027490204 0

104


0,007697257 0

0 0,048930512

0 0,01661791

0,000447901 0

0 1,51E-04

0 0,000286817

0 0,002260201

0 0,019222701

0 0,013980146

0 4,50E+09

0 0,002141243

0,017593731 0

0,017593731 0

0 0,006990073

0 0,01661791


Diberi Ditolak

23,4445241435532 39,9906226184723

17,2668203045189 29,6060818721475

20,1562209208273 34,8552350643623

24,1021917681334 31,2804178731794

26,5354774022977 44,9602893107503

30,6499642374670 37,1542648366768

14,9683610966113 25,3687431411384 105


12,8083311401223 5,96317008180570

13,3877937700049 22,2859897337063

20,8731052086120 15,3343914977544

28,5602130592090 47,1972277981987

22,0466633339370 38,3553418824468

20,4443713557621 35,0462905935671

17,3872620416129 29,7471313136057

26,5373602430180 25,5546001110772

18,3388122735345 31,4584259507422

17,5784931399807 30,1443769055434

17,6244573589414 30,1498638113540

26,2526444481337 44,7547810095052

10,3996092156132 8,49713367709658

12,4915353707428 20,7274331045940

26,2195725812596 44,3286766398226

21,7628246550389 37,4977668184213

19,4836727102700 33,4365489778040

15,0001837007055 25,1446351613792

16,0264355752728 27,3688455807335

31,7676404883123 43,5191884221598

26,7907550665946 25,2974794435918

20,1795001346220 34,8220037112798

20,1553028018791 25,6413181023535

21,6659657116449 37,3559831670594

14,8982012127084 6,99403526033560

22,8839867252721 38,4674983750489

106


21,3033121640258 36,6291554609242

32,0317550456421 47,9563781756441

21,2551255682590 36,5075913437536

30,4983440493648 41,1822438267895

26,9345509147191 34,6810394342776

28,4146737665234 43,9493833354639

2,88335418917676e-

13

1,89526784053652e-

18

18,8540866009354 32,3674544730558

24,8382302329793 42,6513342630249

22,2384755920371 37,5288829108915

19,0325067645178 32,6215804410321

20,8641423005843 18,6716722966131

28,8253896571643 34,4833095619413

31,2640133736756 35,9832031272111

25,9072198657363 42,5701269290356

21,6179197781485 36,3269500079801

22,4989418699561 38,1794601266867

26,9509946006188 45,2445519230706

22,1751873284007 38,0205395489724

25,8343146213287 42,2406283581728

27,4708648456673 44,1028099709354

20,0398644881634 34,5145056100078

17,9431845299339 30,7861533054851

107




Diberi Ditolak

0,22465246 0

0,070318736 0

0,082085755 0

0,043801702 0

0,108065133 0

0,010087927 0

0,054404985 0

0,022483465 0

0,056125061 0

0,002694132 0

0,11973173 0

0 0,008218763

0 0,205429749

0 0,131570871

0,071518765 0

0 0,138771332

0 0,133017933

0 0,392688036

0 0,584931449

0,002933879 0

0,019863617 0

0,109919165 0 108


0,091235336 0

0,110852171 0

0,004454954 0

0 0,017253998

0,003080309 0

0,013070992 0

0 0,112404145

0 0,068782117

0 0,051721748

0 0,003999968

0,110668492 0

0,12098502 0

0,103360009 0

0,12071136 0

0,015933372 0

0,08691236 0

0,080685807 0

9,30E-02 0

0,282289861 0

0,104128224 0

0 0,495492322

0 0,144020576

0,005089723 0

0 0,00198143

0 0,004083211

0 0,026663679

109


0 0,189225852

0 0,143227353

0 0,000552143

0 0,021621482

0,247552149 0

0,263234064 0

0 0,063786483

0 0,135777583




Diberi 23 0

Ditolak 0 33


Akurasi = (23 + 33) / (23 + 0 + 0+ 33) x 100% = 100%



model 3.


110





Probabilitas

Diberi

Probabilitas

Ditolak

0,5580 0,4420




Mahasiswa 0,02400 0,02020

IRT 0,18400 0,19192

Honorer 0,03200 0,01010

Petani 0,42400 0,50505

Freelance 0,02400 0,04040

Swasta 0,24800 0,19192

Wirausaha 0,06400 0,04040


Kawin 0,85600 0,81818

Belum Kawin 0,14400 0,18182 111



Uang Tunggu

Sawit

0,15200 0,05051

Simpanan di CU

UK

0,38400 0,18182


SKT Tanah 0,29600 0,52525


Bangun Rumah 0,03200 0,04040

Beli Kavling

Sawit

0,01600 0,02020




Beli Perabot

Rumah

0,02400 0,02020

Beli Rumah 0,05600 0,02020

Beli Sampan 0,04800 0,01010

Beli Tanah 0,04000 0,03030

112


Beli Tanah &

Rumah

0,01600 0,03030


Keperluan

Keluarga

0,04800 0,03030

Modal Usaha 0,17600 0,31313


Rehab Rumah 0,08000 0,06061


Usaha Dagang 0,04800 0,04040

Prestasi Pinjaman

Lalu Diberi Ditolak

Baik 1 0,12121



Lancar 1 0

Diragukan 0 1



113



Bayar

Diberi 0,05936 0,14442 0,09474

Ditolak 0,06660 0,11780 0,06229


Bayar

Diberi 0,12432 0,13064 0,11884

Ditolak 0,13179 0,10962 0,08925




Diberi Ditolak

0 0,000209733

0 0,000209733

0,002168709 0

0,012891771 0

0,012891771 0

0,012891771 0

0 0,000666915

0 0,001333831

0 0,000506856

114


0,012891771 0

0,002237817 0

0,005156708 0

0,018907931 0

0 0,059725988

0 0,005779934

0 0,013486513

0 0,000856287

0 0,02756584

0,002229928 0

0,008205328 0

0,008205328 0

0,008205328 0

0 0,003556883

0,001805304 0

0,010731528 0

0,018907931 0

0,006276932 0

0,010731528 0

0 2,33E+09

0,018907931 0

0,001864847 0

0 0,008892207

0 0,00385329

0 0,001626944

0 0,00146425

115


0 0,005779934

0,000410296 0

0,002438984 0

0 0,022695875

0 0,003130466

0 0,022695875

0 0,00732125

0,000441778 0

0 0,000213413

0,001032569 0

0 1,37E-04

0 0,004281433

0,004297257 0

0,009709478 0

0,006620099 0

0,012891771 0

0,006620099 0

0,006620099 0

0,003175281 0

0 0,059725988

0 0,003802185


Diberi Ditolak

0,0617997728763514 0,0424835218900924

116


0,0617997534954448 0,0424834946846497

28,7510583361764 51,3658189282427

24,4897487875494 43,6920377236668

25,5893651565588 46,7348454087188

22,0345315367575 38,1436394853305

16,9990031623310 29,4927972175327

17,1574372141360 28,9111865769052

18,0677573856983 30,2522775778948

24,6369484021240 43,4566052961907

24,7515860115554 45,6604977054462

26,1326706420827 48,3736438171713

29,6590778571148 45,8520967239607

21,7011469680974 40,6575210906168

20,2454929790973 37,0098637641288

22,3789403226681 40,2623145543534

28,3107255145592 43,0880452560620

22,9083110222949 42,9737345994434

27,1926465093867 35,0844397150241

27,4194817385685 48,4884019398991

24,6474002514658 44,6124608760756

27,8236243048718 35,8426470513641

22,6745775041570 42,0683483872710

20,6305224671764 38,4884932208677

19,6483254758177 36,1539749401488

20,9757344302802 38,5614052897582

21,9675810066131 41,1137840083195 117


18,9988781027108 14,0445500488974

26,6538721841257 45,7955215067136

23,9465168614980 44,8149063496364

21,0235556533223 39,1275826440874

12,6525271937191 6,36157934785325

16,2193295440815 14,1940616464502

18,8994712355005 33,3123756621120

22,4092243417360 42,0814567867498

20,2378115705564 36,6794142759560

24,6612788751329 45,9047828161279

23,1845265866892 43,3550925421111

25,1606672519292 46,6262313121673

19,2323346889585 35,2211466670259

17,0910018009086 29,6545473184370

20,5349775985210 36,7646885209825

26,5249406701634 30,2768249647778

26,3412176076984 34,8769509217654

13,1837957123931 6,78860581794673

26,3412146423186 34,8769392141642

16,5215344589340 28,6417879010880

18,8677166134918 33,5470521425222

5,08685415776388e-

12

6,02418507999715e-

13

3,14388561187581 0,675668091991213

24,6438690390812 46,0796739995535

19,2692285417337 35,2053278684814

118


22,3349741537936 40,4239761855289

23,8643859107108 33,4485958572160

17,9484939865584 32,1079660086756

21,1781368059008 39,7494451555446



Diberi Ditolak

0 5,73E+08

0 5,73E+08

0,034795024 0

0,176180932 0

0,184091648 0

0,158517931 0

0 0,005010504

0 0,010114406

0 0,004047397

0,177239896 0

0,030909328 0

0,07520009 0

0,312941845 0

0 0,572839827

0 0,051717608

0 0,133390955 119


0 0,01071414

0 0,279094633

0,03383797 0

0,125550141 0

0,11285715 0

0,127400655 0

0 0,035644778

0,020783683 0

0,11766549 0

0,221321279 0

0,076946988 0

0,113776225 0

0 0,000274519

0,252666897 0

0,021878193 0

0 0,049724909

0 0,027621783

0 0,01358969

0 0,014502045

0 0,051697986

0,005646446 0

0,031555068 0

0 0,252380774

0 0,026608973

0 0,171435845

0 0,066445665 120


0,006539141 0

0 0,002484528

0,007596639 0

0 0,001595005

0 0,031262715

0,045245216 0

2,76E+00 0

0,011614304 0

0,177289684 0

0,071185375 0

0,08251101 0

0,042285783 0

0 0,473781971

0 0,035588375

121





Diberi 26 0

Ditolak 0 30


Akurasi = (26 + 30) / (26 + 0 + 0+ 30) x 100% = 100%



model 4.





Probabilitas

Diberi

Probabilitas

Ditolak

0,5625 0,4375

122





Mahasiswa 0,02381 0,02041

IRT 0,17460 0,18367

Honorer 0,03175 0,01020

Petani 0,48413 0,48980

Freelance 0,02381 0,05102

Swasta 0,19841 0,19388

Wirausaha 0,06349 0,05102


Kawin 0,85714 0,78571

Belum Kawin 0,14286 0,21429


Uang Tunggu

Sawit

0,13492 0,04082

Simpanan di CU

UK

0,36508 0,25510

123



SKT Tanah 0,31746 0,52041


Bangun Rumah 0,03175 0,04082

Beli Kavling

Sawit

0,02381 0,00000




Beli Perabot

Rumah

0,01587 0,04082

Beli Rumah 0,04762 0,04082

Beli Sampan 0,05556 0,01020

Beli Tanah 0,04762 0,04082

Beli Tanah &

Rumah

0,00794 0,03061


Keperluan

Keluarga

0,04762 0,03061

Modal Usaha 0,19841 0,29592


Rehab Rumah 0,04762 0,04082


12

4


Usaha Dagang 0,03968 0,06122

Prestasi Pinjaman

Lalu Diberi Ditolak

Baik 1 0,16327



Lancar 1 0

Diragukan 0 1


Hasil perhitungan dapat dilihat pada tabel 6.60 dan tabel 6.61.


Bayar

Diberi 0,05745 0,14501 0,09324

Ditolak 0,06418 0,11574 0,06127


Bayar

Diberi 0,12077 0,12953 0,11754

Ditolak 0,13016 0,09314 0,08680

125





Diberi Ditolak

0 0,006927847

0,009775591 0

0 0,006927847

0,008295583 0

0 0,003415011

0,00400639 0

0,006273106 0

0 0,013679669

0,000246382 0

0 0,013679669

0 0,005129876

0,006273106 0

0,003607036 0

0 0,005129876

0 0,001709959

0 0,006563224

0 0

0 0

0,002262432 0

126


0,006273106 0

0,007318624 0

0,019864837 0

0,000507476 0

0,008442556 0

0 0,002414059

0,009426799 0

0,006159556 0

0,009426799 0

0,001026593 0

0 0,002414059

0,001092652 0

0 0,006563224

0 0,005129876

0,006159556 0

0,00542041 0

0,006159556 0

0 0,049588801

0 0,0185958

0 0,00191113

0 0,013679669

0 0,013679669

0 5,79E+09

0 0,001810544

0,026137943 0

0,006273106 0

127


0 0,006839835

0,006273106 0

0,00266607 0

5,26E+09 0

0,003607036 0

0,00188536 0

0 0,011969711

0,000728434 0

0 0,006563224

0 0,049588801

0 0,006839835


Diberi Ditolak

7,84731641774695 5,82659305359294

27,8761189581855 54,6344225483158

0,373832242422306 0,0518131906909237

15,6041176203412 27,3854317274443

0,00208343075310090 3,84254255836437e-

08

12,9868562905888 5,75224463410087

13,9196181979408 22,7525464267631

22,4799598759457 43,2721904187749

21,1264537536550 16,3558999331354

21,9844716824071 42,3924994477489

128


20,9609889337712 40,9820435527788

30,0128348174071 57,8537789471312

29,3767133679947 35,0704661847760

19,4317034700333 37,4760039880928

14,2546572423665 24,6459646635423

15,8777152684856 28,4461463482276

17,6211610642511 32,1131210358414

21,4435074899351 41,7111802988501

12,9639133475235 20,9701137949105

27,5873968514835 53,9749264189078

22,7831903448168 44,1662490166543

20,4317491038722 39,7918098815401

15,5882389667786 26,0778456423034

24,0255472260377 47,1314490716953

25,6152260620357 50,3109512129027

22,3745763495701 44,0271549492321

33,5544229453443 58,3576021149851

22,3200847855730 43,9719173160074

31,9488749843465 49,9623753384212

16,3626176098349 29,7787061224585

13,9473081765674 10,9442840128927

23,9768161768657 39,6995011088932

24,8566188573408 48,9995465759597

28,4193937509048 37,1800633695717

29,9772126088941 53,5684483712040

129


8,42788074297721e-

14

3,24682763739265e-

24

24,7434302015380 47,1507138762220

15,1540984285986 26,3620377541745

27,4612042040817 52,2067470537738

23,2116227233647 45,1784414739052

23,1457220865541 45,6865649841039

27,7421030881858 54,4293128281748

22,6370808062327 44,3137232378371

19,7620855227193 38,3977581216099

25,6893666669840 50,2658716664296

20,9512535448862 40,9647492337082

25,6893666669840 50,2658716664296

32,2820884615822 49,2961132338548

5,87318700998919 13,9111167094705

28,1044868446718 28,4292467243640

17,7030970772143 32,9779777446756

21,1288353565090 40,1474452965484

31,8143279589469 41,9938732625537

18,7906645821273 35,6225877923868

21,3093875214153 41,8424650301302

19,0873674123696 36,3033832247716

130



Berikut ini hasil perhitunganya.

Diberi Ditolak

0 0,023784692

0,153284361 0

0 0,001133061

0,072812957 0

0 3,11E+08

0,029267104 0

0,049117076 0

0 0,134539308

0,002927916 0

0 0,131573883

0 0,047043182

0,105903959 0

0,059604113 0

0 0,043610975

0 0,010664008

0 0,045591436

0 0

0 0

0,016498108 0

0,097345505 0

0,093792153 0

0,228303766 0

131


0,004449745 0

0,114095824 0

0 0,027053545

0,118642859 0

0,116257701 0

0,118353913 0

0,018449146 0

0 0,017281394

0,008572247 0

0 0,068847279

0 0,055786225

0,098466106 0

0,091399933 0

2,92E-02 0

0 0,536811207

0 0,123288634

0 0,022960848

0 0,138918204

0 0,138523798

0 0,0007029

0 0,017931131

0,290553901 0

0,090648073 0

0 0,062695111

0,090648073 0

0,048412302 0

132


0,000173646 0

0,057022819 0

0,018774398 0

0 0,110646395

0,013035743 0

0 0,053955709

0 0,462309306

0 0,057117566




Diberi 27 0

Ditolak 0 29


Akurasi = (27 + 29) / (27 + 0 + 0+ 29) x 100% = 100%



model 5.

133






Probabilitas

Diberi

Probabilitas

Ditolak

0,5357 0,4643




Mahasiswa 0,01667 0,01923

IRT 0,18333 0,21154

Honorer 0,02500 0,00962

Petani 0,49167 0,53846

Freelance 0,02500 0,02885

Swasta 0,21667 0,16346

Wirausaha 0,04167 0,02885


Kawin 0,87500 0,80769 134


Belum Kawin 0,12500 0,19231


Uang Tunggu

Sawit

0,20000 0,02885

Simpanan di CU

UK

0,20000 0,15385


SKT Tanah 0,37500 0,57692


Bangun Rumah 0,03333 0,03846

Beli Kavling

Sawit

0,02500 0,01923


Beli Kebun Sawit 0 0,02885


Beli Perabot

Rumah

0,00833 0,03846

Beli Rumah 0,05000 0,01923

Beli Sampan 0,04167 0,01923

Beli Tanah 0,07500 0,02885

135


Beli Tanah &

Rumah

0,01667 0,01923


Keperluan

Keluarga

0 0,03846

Modal Usaha 0,25000 0,32692

Perawatan Kebun 0 0,06731

Rehab Rumah 0,05833 0,03846


Usaha Dagang 0,05000 0,04808

Prestasi Pinjaman

Lalu Diberi Ditolak

Baik 1 0,10577



Lancar 1 0

Diragukan 0 1



136



Bayar

Diberi 0,05748 0,14249 0,08001

Ditolak 0,04374 0,10278 0,04365


Bayar

Diberi 0,12588 0,13959 0,08519

Ditolak 0,09386 0,09414 0,05828




Diberi Ditolak

0 0,030563458

0 0,008090327

0 0,004314841

0,000267361 0

0,001895833 0

0,000717014 0

0,000717014 0

0 0

0,040332031 0

137


7,03E+09 0

0,001822917 0

0,009410807 0

0 0

0 0

0 0,002296609

0 0,001871232

0 0,001695116

0 0,006472262

0 0

0 8,26E+09

0,011529948 0

0 0

1,50E-04 0

0 0,000154101

0 0

0,040332031 0

0 1,56E+09

0 0

0 0

0 0

0 0

0,002868056 0

0 8,26E+09

0 0,000462304

0 0,019560613 138


0 0,002696776

0 0,007684527

0,000243056 0

0 0,015101944

0,000303819 0

0,000315972 0

0,003208333 0

0,008604167 0

0,003791667 0

0 5,50E+08

0 0,007684527

0,008604167 0

0,008604167 0

0,003208333 0

0,003208333 0

0 8,26E+09

0 1,46E+09

0,003791667 0

0,008604167 0

0 8,26E+09

0,000569661 0


Diberi Ditolak

26,7261000870464 99,3525208791100

139


17,2420292158669 3,98281650715594

18,9525763002192 15,7639604218284

35,7472323682701 117,452711780753

10,0397557611687 3,35511019193919

26,2017604878905 89,7239543790837

39,2704022231874 99,9387070055672

27,9477144472668 100,562044012612

38,9588020858619 95,3090469344604

31,8691814951963 104,352869645128

0,000986492494884923 1,07601678098913e-10

30,5182522090412 110,651777860300

5,34498942778680 0,746605416020191

1,68311528788031e-29 1,45056501681023e-69

22,6667632898942 84,4256301684993

20,3021438589101 71,2630606535011

26,1313330968050 96,6144545049036

23,3782858854332 86,9127434440012

36,4711183166895 57,9212086069237

0,0702115865407530 0,000128777805895921

34,9350384257264 112,423349568647

21,6210161461247 78,2929048874608

26,0504909179567 91,5522731200086

36,2727123955024 49,8427334133128

0,359508890632248 0,00313878740616681

21,9473117708110 9,51912066206026

27,2903557670106 14,2124127835770

140


22,4567001742837 79,1406539020328

17,6293735348245 61,0420290267616

21,8158467375693 80,0503962400339

38,0019184076760 51,9901346641461

32,7982730447036 31,2444976803526

0,0702115508424039 0,000128777590628699

22,6140320606600 8,80603700572553

29,0935865537723 74,7115157513716

4,83615846126937 0,107129153651685

8,19489005794955e-12 1,40000552228014e-29

20,1679604335722 6,30512212531538

26,4464948086119 96,3260084065910

35,2961884747707 33,0301371006952

28,0405631930531 101,698459874401

32,2313579896974 63,4543337926408

31,8127810034317 32,3953888300571

32,1516137059872 23,2917189032843

37,2625732087978 98,6153826077014

21,3596993183696 73,8951562540374

10,6800209502038 0,914050424286034

33,3067348962319 79,9670190903521

38,4097304372511 80,7358524721232

31,3681712159314 29,7677254268218

0,0702116579374190 0,000128778236431104

2,90654198941411 0,169852409693661

37,5818068445782 85,4819638409117

141


32,4128866652805 100,125604154629

0,0702115151440441 0,000128777375361724

36,5514883541843 38,4351997038156



Diberi Ditolak

0 0,37924809

0 0,064764912

0 0,015820024

0,005120046 0

0,010196627 0

0,010064478 0

0,015084334 0

0 0

0,486350931 0

0,00120043 0

9,63E+07 0

0,088895668 0

0 0

0 0

0 0,010070491

0 0,007349261

0 0,008569098

142


0 0,029271354

0 0

0 2,69E+08

0,124675935 0

0 0

0,001207387 0

0 0,002595208

0 0

0,273984182 0

0 0,000197579

0 0

0 0

0 0

0 0

0,05039318 0

0 2,69E+08

0 0,002022461

0 0,264219611

0 0,00605523

0 2,92E+00

0,002626037 0

0 0,07726362

0,005744822 0

0,004746449 0

0,055397647 0

0,146637037 0

143


0,065307965 0

0 9,52E+09

0 0,076207475

0,049228222 0

0,153523231 0

0,066016724 0

0,053914044 0

0 2,69E+08

0 1,97E+09

0,076338045 0

0,149403149 0

0 2,69E+08

0,006444897 0




Diberi 21 10

Ditolak 0 25


Akurasi = (21 + 25) / (27 + 10 + 0+ 29) x 100% = 82.1428571428571%

144


6. Akurasi Final

Akurasi final = (94,6428571428571 + 100 + 100 +100 + 82.1428571428571) / 5 = 95.3571428571429%

145


146

LAMPIRAN VI: SURAT KETERANGAN IZIN dari CU USAHA KITA

Berikut ini lampiran surat keterangan izin dari CU Usaha Kita.


Documents

PENERAPAN ALGORITME NAÏVE BAYESUNTUK