Upload
khangminh22
View
0
Download
0
Embed Size (px)
Citation preview
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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?
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
20
ii. Memori : 8 GB
iii. SSD : 512 GB
b. Software:
i. Sistem operasi : Windows 10 Home 64 – bit
ii. Aplikasi : Matlab R2018a
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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 :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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 :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
i. Kemudian melakukan klasifikasi dengan
membandingkan hasil perkalian matrix
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.
i. Kemudian melakukan klasifikasi dengan
membandingkan hasil perkalian matrix
NBKategori, matrix NBnumerik dan
matrix probabilitasLabel, setelah itu
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
tampilan tersebut terdapat tabel confusion matrix untuk setiap
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
34
fold, akurasi setiap fold dan rata – rata akurasi, tombol “Tampil”
untuk memunculkan hasil klasifikasi.
5. Tujuh Fold
Gambar 5.5 Tampilan Tujuh Fold
Gambar 5.3 merupakan tampilan Tujuh Fold, pada
tampilan tersebut terdapat tabel confusion matrix untuk setiap
fold, akurasi setiap fold dan rata – rata akurasi, tombol “Tampil”
untuk memunculkan hasil klasifikasi.
6. Sepuluh Fold
Gambar 5.6 Tampilan Sepuluh Fold
Gambar 5.6 merupakan tampilan Sepuluh Fold, pada
tampilan tersebut terdapat tabel confusion matrix untuk setiap
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
35
fold, akurasi setiap fold dan rata – rata akurasi, tombol “Tampil”
untuk memunculkan hasil klasifikasi.
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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%
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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 - -
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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 Awal User telah berada di GUI Utama.
Kondisi Akhir Data yang telah mengalami preproccessing
ditampilkan ke dalam tabel data preprocessing di
halaman GUI Utama
Typical Course Aksi Aktor Reaksi Sistem
1. Mengklik
tombol
Preprocessing.
2. Melakukan
preprocessing pada
dataset.
3. Menampilkan
dataset yang telah
mengalami
preprocessing di
tabel data
preprocessing.
Alternate
Course - -
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
Typical Course Aksi Aktor Reaksi Sistem
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 - -
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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 Awal User telah berada di GUI Utama.
Kondisi Akhir Menampilkan hasil akurasi berdasarkan jumlah fold
yang dimasukan.
Typical Course Aksi Aktor Reaksi Sistem
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 - -
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
Typical Course Aksi Aktor Reaksi Sistem
1. Mengklik
tombol tampil.
2. Menampilkan hasil
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.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
50
Kondisi Awal User telah berada di GUI Tiga Fold.
Kondisi Akhir Menampilkan evaluasi model klasifikasi naïve bayes
dengan hasil akurasi Tiga Fold.
Typical Course Aksi Aktor Reaksi Sistem
1. Mengklik
tombol tampil.
2. Menampilkan hasil
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
Deskripsi Use case ini merupakan proses evaluasi model
klasifikasi naïve bayes menggunakan k – fold cross
validation dengan jumlah fold = 5.
Kondisi Awal User telah berada di GUI Lima Fold.
Kondisi Akhir Menampilkan evaluasi model klasifikasi naïve bayes
dengan hasil akurasi Lima Fold.
Typical Course Aksi Aktor Reaksi Sistem
1. Mengklik
tombol tampil.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
51
2. Menampilkan hasil
akurasi dari lima
jenis fold di tabel
confusion matrix
masing – masing
fold dan rata – rata
akurasi lima fold.
Alternate
Course - -
8. Narasi Use Case Tujuh Fold
Tujuh Fold
Nama Use Case Tujuh Fold
ID Use Case 8
Aktor User
Deskripsi Use case ini merupakan proses evaluasi model
klasifikasi naïve bayes menggunakan k – fold cross
validation dengan jumlah fold = 7.
Kondisi Awal User telah berada di GUI Tujuh Fold.
Kondisi Akhir Menampilkan evaluasi model klasifikasi naïve bayes
dengan hasil akurasi Tujuh Fold.
Typical Course Aksi Aktor Reaksi Sistem
1. Mengklik
tombol tampil.
2. Menampilkan hasil
akurasi dari tujuh
jenis fold di tabel
confusion matrix
masing – masing
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
52
fold dan rata – rata
akurasi tujuh fold.
Alternate
Course - -
9. Narasi Use Case Sepuluh Fold
Sepuluh Fold
Nama Use Case Sepuluh Fold
ID Use Case 9
Aktor User
Deskripsi Use case ini merupakan proses evaluasi model
klasifikasi naïve bayes menggunakan k – fold cross
validation dengan jumlah fold = 10.
Kondisi Awal User telah berada di GUI Sepuluh Fold.
Kondisi Akhir Menampilkan evaluasi model klasifikasi naïve bayes
dengan hasil akurasi Sepuluh Fold.
Typical Course Aksi Aktor Reaksi Sistem
1. Mengklik
tombol tampil.
2. Menampilkan hasil
akurasi dari sepuluh
jenis fold di tabel
confusion matrix
masing – masing
fold dan rata – rata
akurasi sepuluh
fold.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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.
Typical Course Aksi Aktor Reaksi Sistem
1. Mengklik
tombol quit.
2. GUI Utama ditutup.
Alternate
Course - -
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Akurasi rata – rata 5 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 :
Tabel Confusion Matrix Fold 4 Tabel Confusion Matrix Fold 5
Akurasi fold 4 :Akurasi fold 5 :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
55
4. GUI Tujuh Fold
Tampil
Close
Akurasi rata – rata 7 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 :
Tabel Confusion Matrix Fold 4
Tabel Confusion Matrix Fold 7
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 rata – rata 10 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 :
Tabel Confusion Matrix Fold 4
Tabel Confusion Matrix Fold 7
Akurasi fold 4 : Akurasi fold 5 :
Tabel Confusion Matrix Fold 5
Tabel Confusion Matrix Fold 6
Akurasi fold 6 : Akurasi fold 7 :
Tabel Confusion Matrix Fold 8 Tabel Confusion Matrix Fold 9 Tabel Confusion Matrix Fold 10
Akurasi fold 8 : Akurasi fold 9 : Akurasi fold 10 :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
disediakan (3, 5, 7,
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
disediakan (3, 5, 7,
10).
1. Proses
preprocessing
belum dilakukan.
2. Memasukan
jumlah fold yang
disediakan (3, 5,
7, 10) dan klik
Masukan jumlah
fold yang telah
disediakan (3, 5, 7,
10).
Berhasil
menampilkan
pesan untuk
melakukan
proses
preprocessing
terlebih dahulu.
Berhasil
menampilkan
pesan untuk
melakukan
proses
preprocessing
terlebih dahulu.
72
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
tombol
“Klasifikasi”.
Pengujian proses
klasifikasi dengan
cara memasukan
jumlah fold yang
disediakan (3, 5, 7,
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
disediakan (3, 5, 7,
10).
Berhasil
menampilkan
pesan untuk
memasukan
dataset terlebih
dahulu.
Berhasil
menampilkan
pesan untuk
memasukan
dataset terlebih
dahulu.
73
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Training Fold 2, Fold 3,
Fold 4, Fold 5 Akurasi:
Test Fold 1
Model 3
Training Fold 1, Fold 3,
Fold 4, Fold 5 Akurasi:
Test Fold 2
Model 4
Training Fold 1, Fold 2,
Fold 4, Fold 5 Akurasi:
Test Fold 3
Model 5
Training Fold 1, Fold 2,
Fold 3, Fold 5 Akurasi:
Test Fold 4
85
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Berikut ini hasil perhitungannya.
Rata – rata Simpanan Penghasilan Kemampuan
Bayar
Diberi 0,05932 0,13402 0,07790
Ditolak 0,05848 0,11260 0,05371
89
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
Berikut ini hasil perhitungannya.
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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%
2. Klasifikasi Model 2
Menggunakan Fold 2, Fold 3, Fold 4, Fold 5 sebagai data train dan Fold 1 sebagai data test, Berikut proses klasifikasi pada
model 2.
a. Menghitung probabilitas label
Jumlah label diberi : 122
Jumlah label ditolak: 102
Berikut ini hasil perhitungan probabilitas label.
98
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Probabilitas
Diberi
Probabilitas
Ditolak
0,5446 0,4554
b. Menghitung probabilitas masing – masing atribut nominal/kategorial terhadap terhadapat label
Berikut ini hasil perhitungannya.
Pekerjaan Diberi Ditolak
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
Status Perkawinan Diberi Ditolak
Kawin 0,86066 0,81373
Belum Kawin 0,13934 0,18627
99
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Jaminan Diberi Ditolak
Uang Tunggu
Sawit
0,13934 0,03922
Simpanan di CU
UK
0,36885 0,23529
Sertifikat Tanah 0,16393 0,22549
SKT Tanah 0,32787 0,50000
100
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Tujuan Pinjaman Diberi Ditolak
Bangun Rumah 0,02459 0,02941
Beli Kavling
Sawit
0,01639 0,01961
Beli Kebun Karet 0,03279 0,02941
Beli Kebun Sawit 0,00820 0,01961
Beli Kendaraan 0,05738 0,07843
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
Biaya Pendidikan 0,15574 0,07843
Keperluan
Keluarga
0,04918 0,02941
Modal Usaha 0,20492 0,27451
Perawatan Kebun 0,02459 0,06863
Rehab Rumah 0,05738 0,03922
Renovasi Rumah 0,13115 0,10784
Usaha Dagang 0,04918 0,04902
101
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Prestasi Pinjaman
Lalu Diberi Ditolak
Baik 1 0,15686
Kurang Baik 0 0,84314
Status Kredit Diberi Ditolak
Lancar 1 0
Diragukan 0 1
c. Menghitung rata – rata dan standar deviasi terhadap label
Berikut ini hasil perhitungannya.
Rata – rata Simpanan Penghasilan Kemampuan
Bayar
Diberi 0,05936 0,14442 0,09474
Ditolak 0,06660 0,11780 0,06229
102
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Standar Devisiasi Simpanan Penghasilan Kemampuan
Bayar
Diberi 0,12432 0,13064 0,11884
Ditolak 0,13179 0,10962 0,08925
d. Menghitung likelihood
Berikut ini hasil perhitungan likelihood.
i. Likelihood atribut nominal/kategori
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
ii. Likelihood atribut numeric
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
e. Menghitung posterior
Berikut ini hasil perhitungannya.
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
0 0,189225852
0 0,143227353
0 0,000552143
0 0,021621482
0,247552149 0
0,263234064 0
0 0,063786483
0 0,135777583
f. Melakukan klasifikasi dan mencatat pada confusion matrix
Berikut ini hasil klasifikasi.
Label Sebenarnya \ Label Prediksi Diberi Ditolak
Diberi 23 0
Ditolak 0 33
g. Menghitung akurasi
Akurasi = (23 + 33) / (23 + 0 + 0+ 33) x 100% = 100%
3. Klasifikasi Model 3
Menggunakan Fold 1, Fold 3, Fold 4, Fold 5 sebagai data train dan Fold 2 sebagai data test, Berikut proses klasifikasi pada
model 3.
a. Menghitung probabilitas label
110
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Jumlah label diberi : 125
Jumlah label ditolak: 99
Berikut ini hasil perhitungan probabilitas label.
Probabilitas
Diberi
Probabilitas
Ditolak
0,5580 0,4420
b. Menghitung probabilitas masing – masing atribut nominal/kategorial terhadap terhadapat label
Berikut ini hasil perhitungannya.
Pekerjaan Diberi Ditolak
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
Status Perkawinan Diberi Ditolak
Kawin 0,85600 0,81818
Belum Kawin 0,14400 0,18182 111
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Jaminan Diberi Ditolak
Uang Tunggu
Sawit
0,15200 0,05051
Simpanan di CU
UK
0,38400 0,18182
Sertifikat Tanah 0,16800 0,24242
SKT Tanah 0,29600 0,52525
Tujuan Pinjaman Diberi Ditolak
Bangun Rumah 0,03200 0,04040
Beli Kavling
Sawit
0,01600 0,02020
Beli Kebun Karet 0,04000 0,02020
Beli Kebun Sawit 0,00800 0,03030
Beli Kendaraan 0,04800 0,10101
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Beli Tanah &
Rumah
0,01600 0,03030
Biaya Pendidikan 0,17600 0,06061
Keperluan
Keluarga
0,04800 0,03030
Modal Usaha 0,17600 0,31313
Perawatan Kebun 0,02400 0,07071
Rehab Rumah 0,08000 0,06061
Renovasi Rumah 0,12000 0,10101
Usaha Dagang 0,04800 0,04040
Prestasi Pinjaman
Lalu Diberi Ditolak
Baik 1 0,12121
Kurang Baik 0 0,87879
Status Kredit Diberi Ditolak
Lancar 1 0
Diragukan 0 1
c. Menghitung rata – rata dan standar deviasi terhadap label
Berikut ini hasil perhitungannya.
113
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Rata – rata Simpanan Penghasilan Kemampuan
Bayar
Diberi 0,05936 0,14442 0,09474
Ditolak 0,06660 0,11780 0,06229
Standar Devisiasi Simpanan Penghasilan Kemampuan
Bayar
Diberi 0,12432 0,13064 0,11884
Ditolak 0,13179 0,10962 0,08925
d. Menghitung likelihood
Berikut ini hasil perhitungan likelihood.
i. Likelihood atribut nominal/kategori
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
ii. Likelihood atribut numeric
Diberi Ditolak
0,0617997728763514 0,0424835218900924
116
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
22,3349741537936 40,4239761855289
23,8643859107108 33,4485958572160
17,9484939865584 32,1079660086756
21,1781368059008 39,7494451555446
e. Menghitung posterior
Berikut ini hasil perhitungannya.
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
f. Melakukan klasifikasi dan mencatat pada confusion matrix
Berikut ini hasil klasifikasi.
Label Sebenarnya \ Label Prediksi Diberi Ditolak
Diberi 26 0
Ditolak 0 30
g. Menghitung akurasi
Akurasi = (26 + 30) / (26 + 0 + 0+ 30) x 100% = 100%
4. Klasifikasi Model 4
Menggunakan Fold 1, Fold 2, Fold 4, Fold 5 sebagai data train dan Fold 3 sebagai data test, Berikut proses klasifikasi pada
model 4.
a. Menghitung probabilitas label
Jumlah label diberi : 126
Jumlah label ditolak: 98
Berikut ini hasil perhitungan probabilitas label.
Probabilitas
Diberi
Probabilitas
Ditolak
0,5625 0,4375
122
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
b. Menghitung probabilitas masing – masing atribut nominal/kategorial terhadap terhadapat label
Berikut ini hasil perhitungannya.
Pekerjaan Diberi Ditolak
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
Status Perkawinan Diberi Ditolak
Kawin 0,85714 0,78571
Belum Kawin 0,14286 0,21429
Jaminan Diberi Ditolak
Uang Tunggu
Sawit
0,13492 0,04082
Simpanan di CU
UK
0,36508 0,25510
123
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Sertifikat Tanah 0,18254 0,18367
SKT Tanah 0,31746 0,52041
Tujuan Pinjaman Diberi Ditolak
Bangun Rumah 0,03175 0,04082
Beli Kavling
Sawit
0,02381 0,00000
Beli Kebun Karet 0,02381 0,03061
Beli Kebun Sawit 0,00794 0,03061
Beli Kendaraan 0,05556 0,08163
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
Biaya Pendidikan 0,15079 0,08163
Keperluan
Keluarga
0,04762 0,03061
Modal Usaha 0,19841 0,29592
Perawatan Kebun 0,02381 0,07143
Rehab Rumah 0,04762 0,04082
Renovasi Rumah 0,17460 0,08163
12
4
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Usaha Dagang 0,03968 0,06122
Prestasi Pinjaman
Lalu Diberi Ditolak
Baik 1 0,16327
Kurang Baik 0 0,83673
Status Kredit Diberi Ditolak
Lancar 1 0
Diragukan 0 1
c. Menghitung rata – rata dan standar deviasi terhadap label
Hasil perhitungan dapat dilihat pada tabel 6.60 dan tabel 6.61.
Rata – rata Simpanan Penghasilan Kemampuan
Bayar
Diberi 0,05745 0,14501 0,09324
Ditolak 0,06418 0,11574 0,06127
Standar Devisiasi Simpanan Penghasilan Kemampuan
Bayar
Diberi 0,12077 0,12953 0,11754
Ditolak 0,13016 0,09314 0,08680
125
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
d. Menghitung likelihood
Berikut ini hasil perhitungan likelihood.
i. Likelihood atribut nominal/kategori
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
ii. Likelihood atribut numeric
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
e. Menghitung posterior
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
0,000173646 0
0,057022819 0
0,018774398 0
0 0,110646395
0,013035743 0
0 0,053955709
0 0,462309306
0 0,057117566
f. Melakukan klasifikasi dan mencatat pada confusion matrix
Berikut ini hasil klasifikasi.
Label Sebenarnya \ Label Prediksi Diberi Ditolak
Diberi 27 0
Ditolak 0 29
g. Menghitung akurasi
Akurasi = (27 + 29) / (27 + 0 + 0+ 29) x 100% = 100%
5. Klasifikasi Model 5
Menggunakan Fold 1, Fold 2, Fold 3, Fold 5 sebagai data train dan Fold 4 sebagai data test, Berikut proses klasifikasi pada
model 5.
133
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
a. Menghitung probabilitas label
Jumlah label diberi : 120
Jumlah label ditolak: 104
Berikut ini hasil perhitungan probabilitas label.
Probabilitas
Diberi
Probabilitas
Ditolak
0,5357 0,4643
b. Menghitung probabilitas masing – masing atribut nominal/kategorial terhadap terhadapat label
Berikut ini hasil perhitungannya.
Pekerjaan Diberi Ditolak
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
Status Perkawinan Diberi Ditolak
Kawin 0,87500 0,80769 134
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Belum Kawin 0,12500 0,19231
Jaminan Diberi Ditolak
Uang Tunggu
Sawit
0,20000 0,02885
Simpanan di CU
UK
0,20000 0,15385
Sertifikat Tanah 0,22500 0,24038
SKT Tanah 0,37500 0,57692
Tujuan Pinjaman Diberi Ditolak
Bangun Rumah 0,03333 0,03846
Beli Kavling
Sawit
0,02500 0,01923
Beli Kebun Karet 0,03333 0,02885
Beli Kebun Sawit 0 0,02885
Beli Kendaraan 0,06667 0,08654
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Beli Tanah &
Rumah
0,01667 0,01923
Biaya Pendidikan 0,10000 0,03846
Keperluan
Keluarga
0 0,03846
Modal Usaha 0,25000 0,32692
Perawatan Kebun 0 0,06731
Rehab Rumah 0,05833 0,03846
Renovasi Rumah 0,19167 0,11538
Usaha Dagang 0,05000 0,04808
Prestasi Pinjaman
Lalu Diberi Ditolak
Baik 1 0,10577
Kurang Baik 0 0,89423
Status Kredit Diberi Ditolak
Lancar 1 0
Diragukan 0 1
c. Menghitung rata – rata dan standar deviasi terhadap label
Berikut ini hasil perhitungannya.
136
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Rata – rata Simpanan Penghasilan Kemampuan
Bayar
Diberi 0,05748 0,14249 0,08001
Ditolak 0,04374 0,10278 0,04365
Standar Devisiasi Simpanan Penghasilan Kemampuan
Bayar
Diberi 0,12588 0,13959 0,08519
Ditolak 0,09386 0,09414 0,05828
d. Menghitung likelihood
Berikut ini hasil perhitungan likelihood.
i. Likelihood atribut nominal/kategori
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
ii. Likelihood atribut numeric
Diberi Ditolak
26,7261000870464 99,3525208791100
139
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
32,4128866652805 100,125604154629
0,0702115151440441 0,000128777375361724
36,5514883541843 38,4351997038156
e. Menghitung posterior
Berikut ini hasil perhitungannya.
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
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
f. Melakukan klasifikasi dan mencatat pada confusion matrix
Berikut ini hasil klasifikasi.
Label Sebenarnya \ Label Prediksi Diberi Ditolak
Diberi 21 10
Ditolak 0 25
g. Menghitung akurasi
Akurasi = (21 + 25) / (27 + 10 + 0+ 29) x 100% = 82.1428571428571%
144
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
6. Akurasi Final
Akurasi final = (94,6428571428571 + 100 + 100 +100 + 82.1428571428571) / 5 = 95.3571428571429%
145
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI