Upload
others
View
8
Download
0
Embed Size (px)
Citation preview
HALAMAN JUDUL
TESIS - PM 147501
KAJIAN KOMPARASI PENERAPAN ALGORITMA
C4.5 DAN NAÏVE BAYES SEBAGAI PENUNJANG
KEPUTUSAN PINJAMAN UANG (STUDI KASUS DI
KOPERASI KARYAWAN PT. KARYAMITRA
BUDISENTOSA PANDAAN PASURUAN)
AKAS BAGUS SETIAWAN 09211650053034 DOSEN PEMBIMBING Dr.Eng. Febriliyan Samopa, S.Kom, M.Kom PROGRAM MAGISTER BIDANG KEAHLIAN MANAJEMEN TEKNOLOGI INFORMASI FAKULTAS BISNIS DAN MANAJEMEN TEKNOLOGI INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2018
HALAMAN JUDUL
THESIS - PM 147501
COMPARATIVE STUDY OF IMPLEMENTATION
C4.5 AND NAÏVE BAYES ALGORITHM’S AS
SUPPORTING MONEY LOAN DECISIONS (CASE
STUDY AT EMPLOYEES 'COOPERATION OF
KARYAMITRA BUDISENTOSA PANDAAN
PASURUAN)
Akas Bagus Setiawan 09211650053034 SUPERVISOR Dr.Eng. Febriliyan Samopa, S.Kom, M.Kom MAGISTER PROGRAM MANAGEMENT OF INFORMATION AND TECHNOLOGY FACULTY OF BUSINESS AND MANAGEMENT TECHNOLOGY INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2018
i
LEMBAR PENGESAHAN
Tesis disusun untuk memenuhi salah satu syarat memperoleh gelar
Magister Manajemen Teknologi (M.MT.)
di
Institut Teknologi Sepuluh Nopember
Oleh:
AKAS BAGUS SETIAWAN
NRP. 09211650053034
Tanggal Ujian : 16 Mei 2018
Periode Wisuda : September 2018
Disetujui oleh:
1 Dr. Eng. Febriliyan Samopa, S.Kom., M.Kom.
NIP. 197411232006041001
(Pembimbing)
2. Dr. Tech. Ir. V. Hari Ginardi, M.Sc.
NIP. 196505181992031003
(Penguji)
3. Faizal Mahananto, S.Kom, M.Kom., Ph.D.
NIPH. 5200201301010
(Penguji)
Dekan Fakultas Bisnis dan Manajemen Teknologi,
Prof. Dr. Ir. Udisubakti Ciptomulyono, M.Eng.Sc.
NIP. 195903181987011001
ii
(Halaman ini sengaja dikosongkan)
iii
KAJIAN KOMPARASI PENERAPAN ALGORITMA C4.5 DAN
NAÏVE BAYES SEBAGAI PENUNJANG KEPUTUSAN
PINJAMAN UANG (STUDI KASUS DI KOPERASI
KARYAWAN PT. KARYAMITRA BUDISENTOSA PANDAAN
Nama : Akas Bagus Setiawan
NRP : 9116205334
Pembimbing : Dr.Eng. Febriliyan Samopa, S.Kom, M.Kom
ABSTRAK
Sistem peminjaman uang di koperasi karyawan PT. Karyamitra
Budisentosa mempunyai peran yang sentral karena anggota dari koperasi sendiri
sebanyak 100 anggota dan perlu di analisa siapa saja anggota yang layak untuk
diberi pinjaman. Resiko dari sistem peminjaman yang tak berjalan lancar akan
menyebabkan kredit macet, maka akan mengganggu sistem keuangan dan proses
bisnis yang ada di koperasi tersebut. adapun kredit macet berdasarkan data yang
telah dikumpulkan dari tahun 2013 hingga 2017 yaitu sebesar 57,69% pada 2013,
50% pada 2014, 52,38% pada 2015, 71,4% pada 2016 dan 72,72% pada 2017
yang terjadi pada Koperasi Karyawan PT. Karyamitra Budisentosa jika
dibandingkan dengan kredit yang berstatus lunas.
Penelitian ini menggunakan alat bantu RapidMiner 8.0 yang merupakan
machine learning untuk mempelajari Data history dengan metode C4.5 dan Naïve
Bayes kemudian dari kedua metode tersebut diambil nilai AUC (Area Under
Cover) yang paling tinggi, nilai AUC merupakan interpretasi rata-rata sensitifitas
untuk semua nilai spesifitas (akurasi, presisi, recall) yang mungkin. Nilai AUC
dipakai untuk mengukur uji diagnostik secara umumdalam menganalisa data
history, Naïve Bayes adalah metode yang menghitung probabilitas dari tingkat
kemunculan data yang satu terhadap data yang lain. Algoritma C4.5 adalah salah
satu dari sebagian algoritma dalam metode decision tree yang mengubah data
menjadi pohon keputusan, untuk kemudian dapat disimpulkan menjadi rule-rule.
Berdasarkan perbandingan hasil pengujian melalui berbagai skenario
terhadap kedua metode tersebut, metode Naïve Bayesmemperoleh pencapaian
nilai AUC rata-rata sebesar 0,866 berdasarkan 4 model sampling sedangkan
metode C4.5 dengan pencapaian nilai rata-rata AUCsebesar 0,786 berdasarkan 4
model sampling masing-masing metode diuji menggunakan skenario uji 5-fold
dengan Cross Validation sehingga Naïve Bayes merupakan metode terbaik yang
direkomendasikan dalam bentuk sebuah Decision Suport System, dimana pada
penelitian ini diberikan juga model dasar dalam penerapan metode Naïve Bayes
kedalam sistem pendukung keputusan yang diajukan kepada manajemen.Koperasi
Karyawan PT. Karyamitra Budisentosa
Kata Kunci :Algoritma C4.5, Naïve Bayes, AUC, Pinjaman uang, RapidMiner
8.0, machine learning, data history
iv
(Halaman ini sengaja dikosongkan)
v
COMPARATIVE STUDY OF IMPLEMENTATION
ALGORITHM C4.5 AND NAÏVE BAYES AS SUPPORT FOR
MONEY DECISIONS (CASE STUDY IN EMPLOYEES
'COOPERATION OF KARYAMITRA BUDISENTOSA
PANDAAN PASURUAN)
Name : Akas Bagus Setiawan
Student ID : 9116205334
Supervisor : Dr.Eng. Febriliyan Samopa, S.Kom, M.Kom
ABSTRACT
Money lending system in the cooperative employees of PT. Karyamitra
Budisentosa has a central role because members of the co-operatives themselves
are 100 members and need to be analyzed by whom members are eligible to be
loaned. The risk of a non-performing loan system will cause bad debts, it will
disrupt the financial system and business processes that exist in the cooperative.
while non-performing loans based on data collected from 2013 to 2017 amounted
to 57.69% in 2013, 50% in 2014, 52.38% in 2015, 71.4% in 2016 and 72.72% in
2017 which occurred on Employee Cooperative PT. Karyamitra Budisentosa
when compared with credit with the status paid off.
This research uses the tool of RapidMiner 8.0 which is machine learning
to study the data history with method C4.5 and Naïve Bayes then from both
methods is taken the highest AUC (Area Under Cover) value, the AUC value is
the interpretation of the average sensitivity for all Specificity values (accuracy,
precision, recall) are possible. The AUC value is used to measure the general
diagnostic test in analyzing the data history, Naïve Bayes is a method that
calculates the probability of the rate of occurrence of data on one another. The
C4.5 algorithm is one of several algorithms in the decision tree method that
converts data into decision tree, to then be inferred into rule-rule.
Based on the comparison of test results through various scenarios on both
methods, Naïve Bayes method obtained an average AUC value of 0.866 based on
4 sampling models while the C4.5 method with an average AUC value of 0.786
based on 4 sampling models of each method tested using a 5-fold test scenario
with Cross Validation so Naïve Bayes is the best recommended method in the
form of a Decision Suport System, which in this study is also provided a basic
model in applying the Naïve Bayes method into the decision support system
submitted to management of Cooperative Employee PT. Karyamitra Budisentosa
Keywords: Algorithm C4.5, Naïve Bayes, AUC, Loan money, RapidMiner 8.0,
machine learning, data history
vi
(Halaman ini sengaja dikosongkan)
vii
KATA PENGANTAR
Puji dan syukur penulis panjatkan kehadirat Tuhan Yesus Kristus atas
berkat dan karunia-Nya sehingga penulis dapat menyelesaikan Tesis yang
berjudul “KAJIAN KOMPARASI PENERAPAN ALGORITMA C4.5 DAN
NAÏVE BAYES SEBAGAI PENUNJANG KEPUTUSAN PINJAMAN UANG
(STUDI KASUS DI KOPERASI KARYAWAN PT. KARYAMITRA
BUDISENTOSA PANDAAN PASURUAN)”.Tesis ini diajukan untuk
memenuhi prasyarat untuk menyelesaikan studi magister di Program Studi
Magister Manajemen Teknologi, Konsentrasi Manajemen Teknologi Informasi,
Institut Teknologi Sepuluh Nopember Surabaya.Dalam penyelesaian Tesis ini,
penulis telah mendapatkan banyak dukungan moral maupun material dari banyak
pihak. Atas bantuan yang telah diberikan penulis ingin menyampaikan
penghargaan dahn ucapan terima kasih yang sebesar-besarnya kepada:
1. Bapak Prof. Ir. Joni Hermana, M.Sc.ES, Ph.D selaku Rektor Institut
Teknologi Sepuluh Nopember, yang telah memberikan kesempatan untuk
menimba ilmu di Institut Teknologi Sepuluh Nopember, Fakultas Bisnis dan
Manajemen Teknologi, Program StudiMagister Manajemen Teknologi.
2. BapakProf. Dr. Ir. Udisubakti Ciptomulyono, M.Eng.Scselaku Dekan Fakultas
Bisnis dan Manajemen Teknologi.
3. Bapak Dr.Tech. Ir. R. V. Hari Ginardi, M.Sc. selaku Kepala Program
StudiPascasarjana Manajemen Teknologi sekaligus dosen wali yang selalu
memberikan arahan dan semangat dalam menyelesaikan perkuliahan
diProgram StudiMagister Manajemen Teknologi.
4. Bapak Dr.Eng. Febriliyan Samopa, S.Kom, M.Kom Selaku Pembimbing Tesis
yang yang telah meluangkan waktu, tenaga dan pikiran dalam memberikan
bimbingan, masukan, pengarahan, dan ilmu pengetahuan.
5. Seluruh dosen pengajar yang telah memberikan pengajarandan ilmu yang
begitu banyak. Serta seluruh karyawan MMT-ITS, terkhusus Mas Reval yang
telahbanyak membantu dalam berbagai hal selama masa perkuliahan. Terima
kasihatas ilmu yang telah diajarkan kepada penulis.
viii
6. Bapak Agus Siswanto selaku Ketua Unit Koperasi Simpan Pinjam Karyawan
PT. Karyamitra Budisentosa, yang telah meluangkan waktu untuk membantu
penyelesaian penelitian ini dengan memberikan informasi dan data-data yang
dibutuhkan.
7. Kedua orang tua, Bapak Drs. Imam Widayat dan Ibu Mudji Astutik, S.Pd yang
selalu memberikan dukungan baik melalui doa ataupun material untuk
kesuksesan dan kelancaran penelitian ini.
8. Sahabat SQUIDWARD (Penghuni 5 Bangku Pojok: Septiyansyah Argi
Gumilar, Adhitya Wiratama, Ganda Neswara, Alif Aziz Mujahidin, dan Riza
Akhsani Setyo Prayoga) yang selalu berjuang bersama dalam menempuh
perkuliahan di MMT-MTI-ITS.
9. Teman-teman MTI angkatan 2016, khususnya forum Bimbingan Tesis Pak
Iyan (Pak Ferry, Mas Rendris, Mas Samsul, dan Mas Vierdan). Juga Mas
Gusde dan Mas Djoko yang selalu memotivasi, mengingatkan, memberi
masukan, dan selalu memberi suntikan semangat kepada penulis dalam
penyusunan Tesis ini.
10. Semua pihak yang tidak dapat disebutkan satu persatu, yang telah banyak
memberikan berbagai macam bantuan dalam penyusunan Tesis ini.
Akhir kata, penulis berharap Penelitian dalam rangka Tesis ini dapat
memberikan manfaat kepada pembaca mengenai kajian komparasi antara metode
C4.5 dan Naïve Bayes terhadap data simpan pinjam dikoperasi karyawan.Penulis
menyadari bahwa proposal ini masih jauh dari kesempurnaan dan memiliki
banyak kekurangan.Oleh karena itu, dengan kerendahan hati penulis
mengharapkan masukan dan saran yang membangun dari pembaca untuk
perbaikan ke depan.
Surabaya, Mei 2018
Akas Bagus Setiawan.
ix
DAFTAR ISI
LEMBAR PENGESAHAN ..................................................................................... i
ABSTRAK ............................................................................................................. iii
ABSTRACT ............................................................................................................ v
KATA PENGANTAR .......................................................................................... vii
DAFTAR ISI .......................................................................................................... ix
DAFTAR GAMBAR ............................................................................................. xi
DAFTAR TABEL ................................................................................................ xiii
BAB I PENDAHULUAN ....................................................................................... 1
1.1 Latar Belakang .............................................................................................. 1
1.2 Perumusan Masalah ...................................................................................... 4
1.3 Batasan Masalah............................................................................................ 5
1.4 Tujuan Penelitian .......................................................................................... 5
1.5 Manfaat Penelitian ........................................................................................ 5
1.6 Sistematika Penulisan ................................................................................... 6
BAB II KAJIAN PUSTAKA DAN DASAR TEORI ............................................. 7
2.1 Pengertian Koperasi ...................................................................................... 7
2.2 Pengertian Pinjaman...................................................................................... 9
2.3 Sejarah Koperasi Karyawan Karyamitra Budisentosa ................................ 10
2.3.1 Visi Misi dan Tujuan Organisasi.......................................................... 11
2.3.2 Sasaran Pelaksanaan & Pengembangan Organisasi : ........................... 12
2.3.3 Sistem dan Pola Pelaksanaan Organisasi ............................................. 12
2.3.4 Struktur Organisasi .............................................................................. 12
2.4 Sistem Pendukung Keputusan (SPK) .......................................................... 17
2.5 Data mining (Penambangan Data) .............................................................. 19
2.6 Decision tree (Pohon Keputusan) ............................................................... 23
2.7. Algoritma C4.5 ........................................................................................... 26
2.8 Naïve Bayes ................................................................................................. 32
2.9 Confusion Matrix ........................................................................................ 35
2.10 RapidMiner ............................................................................................... 39
BAB III METODOLOGI PENELITIAN.............................................................. 43
3.1 Kerangka Konsep Penelitian ....................................................................... 43
BAB IV PEMBAHASAN ..................................................................................... 49
4.1 Pengolahan dan Distribusi Data .................................................................. 49
x
4.2 Implementasi C4.5 dan Naïve Bayespada RapidMiner ............................... 52
4.3 Pelatihan, pengujian dan hasil pola ............................................................. 54
4.4 Analisa T-Test ............................................................................................. 63
4.5 Perancangan Metode Terpilih ...................................................................... 66
BAB V PENUTUP ................................................................................................ 75
5.1 Kesimpulan .................................................................................................. 75
5.2 Saran ............................................................................................................ 76
DAFTAR PUSTAKA ............................................................................................ 77
LAMPIRAN .......................................................................................................... 79
Lampiran 1: Struktur Organisasi ....................................................................... 79
Lampiran 2 : Dataset 2013................................................................................. 81
Lampiran 3 : Dataset 2014................................................................................. 95
Lampiran 4 : Dataset 2015............................................................................... 101
Lampiran 5 : Dataset 2016............................................................................... 105
Lampiran 6 : Dataset 2017............................................................................... 107
Lampiran 7 : Data Training ............................................................................. 111
Lampiran 8 : Dataset........................................................................................ 119
Lampiran 9 :Contoh perhitungan metode C4.5 dan Naïve Bayes.................... 123
Lampiran 10 :Contoh Perhitungan Matrix Confusion ..................................... 133
xi
DAFTAR GAMBAR
Gambar 2.1 Model Pohon keputusan (Pramudiono, 2008) ................................... 26
Gambar 2.2 Pohon Keputusan Hasil Perhitungan Node 1 (Pramudiono, 2008) ... 30
Gambar 2.3 Pohon Keputusan Hasil Perhitungan Node 1.1 ................................. 31
Gambar 2.4 Pohon Keputusan Akhir .................................................................... 32
Gambar 2.5 Hasil confusion Matrix c45 (Sumber:Dhika. 2015) .......................... 37
Gambar 2.6 Hasil Confusion Matrix Naïve Bayes (Sumber:Dhika. 2015) ........... 37
Gambar 2.7 Grafik ROC metode C45 (Sumber:Dhika. 2015) .............................. 38
Gambar 2.8 Grafik ROC metode Naïve Bayes (Sumber:Dhika. 2015)................. 38
Gambar 3.1 Metodologi Penelitian ....................................................................... 43
Gambar 3.2 Flowchart Algoritma C4.5 ................................................................ 46
Gambar 3.3 Flowchart Algoritma Naïve Bayes .................................................... 46
Gambar 4.1 Gambaran umum proses pengolahan Data mining ........................... 52
Gambar 4.2 Gambaran proses pengolahan data di RapidMiner 8.0 ..................... 53
Gambar 4.3 Urutan proses pengolahan data di RapidMiner 8.0 ........................... 54
Gambar 4.4 Grafik Nilai Rata-rata Hasil Uji Metode C4.5 .................................. 58
Gambar 4.5 Grafik Nilai Rata-rata Hasil Uji Metode Naïve Bayes ...................... 58
Gambar 4.6 Nilai rata-rata AUC dari metode C4.5 dan Naïve-Bayes .................. 59
Gambar 4.7 Hasil pohon keputusan dari RapidMiner 8.0 ..................................... 61
Gambar 4.8 Hasil simple distribution dari RapidMiner 8.0 .................................. 62
Gambar 4.9 Hasil ROC dari C4.5 yang dihasilkan oleh RapidMiner 8.0 skenario
uji 5-fold linear sampling ...................................................................................... 63
Gambar 4.10 Hasil ROC dari Naïve Bayes yang dihasilkan oleh RapidMiner 8.0
skenario uji 5-fold linear sampling ....................................................................... 64
Gambar 4.11 Grafik Perbandingan Uji Performansi Skenario 5-Fold Linear
Sampling ................................................................................................................ 65
Gambar 4.12 Usecase Diagram............................................................................. 67
Gambar 4.13 Activity Diagram Training ............................................................... 68
Gambar 4.14 Activity Diagram Testing ................................................................. 69
Gambar 4.15 Model metode Naïve Bayes ............................................................. 70
xii
Gambar 4.16 Activity Diagram Naïve Bayes ......................................................... 72
Gambar 4.17 ClassDiagram .................................................................................. 73
xiii
DAFTAR TABEL
Tabel 2.1 Jabatan dan fungsi pengurus ................................................................. 15
Tabel 2.2 Contoh perhitungan C4.5 ...................................................................... 26
Tabel 2.3 Perhitungan Node 1 ............................................................................... 29
Tabel 2.4 Perhitungan Node 1.1 ............................................................................ 30
Tabel 2.5 Perhitungan Node 1.1.2 ......................................................................... 31
Tabel 2.6 Dataset mahasiswa ................................................................................ 34
Tabel 2.7 Data Testing perhitungan Naïve Bayes ................................................. 34
Tabel 2.8 Tabel confusion matrix ......................................................................... 36
Tabel 2.9 Perbandingan hasil pengolahan data (Sumber: Dhika. 2015) ............... 37
Tabel 2.10 Tabel AUC (Sumber:Dhika. 2015) ..................................................... 38
Tabel 2.11 Tabel perbandingan AUC dengan Accuracy ...................................... 38
Tabel 3.1 Atribut Dataset ...................................................................................... 45
Tabel 4.1 Distribusi Data Variabel Masukan ........................................................ 50
Tabel 4.2 Hasil Prosesntase Uji Performa Linear Sampling ................................. 55
Tabel 4.3 Hasil Prosentase Uji Performa Shuffled Sampling ................................ 56
Tabel 4.4 Hasil Prosentase Uji PerformaStratified Sampling ............................... 56
Tabel 4.5 Hasil Prosentase Uji PerformaAutomatic Sampling.............................. 57
Tabel 4.6 x-Validation untuk C4.5 skenario uji 5-fold linear sampling .............. 63
Tabel 4.7 x-Validation untuk Naïve Bayes skenario uji 5-fold linear sampling .. 64
Tabel 4.8 Perbandingan nilai akurasi, presisi, recall dan AUC metode C4.5 dan
Naïve Bayes .......................................................................................................... 64
Tabel 4.9 Penentuan kategori pemohon kredit ...................................................... 74
xiv
(Halaman ini sengaja dikosongkan)
1
BAB I
PENDAHULUAN
Pada Bab1 inidijelaskan tentang pendahuluan yang memiliki kaitan
dengan penelitian yang terdiri dari latar belakang, perumusan masalah, batasan
masalah, tujuan penelitian dan manfaat penelitian.
1.1 Latar Belakang
Gerakan koperasi bermula pada abad ke-20 yang pada umumnya
merupakan hasil dari usaha yang tidak spontan dan tidak dilakukan oleh orang-
orang yang sangat kaya.Koperasi tumbuh dari kalangan rakyat, ketika penderitaan
dalam lapangan ekonomi dan sosial yang ditimbulkan oleh sistem kapitalisme
semakin memuncak. Beberapa orang yang penghidupannya sederhana dengan
kemampuan ekonomi terbatas, terdorong oleh penderitaan dan beban ekonomi
yang sama, secara spontan mempersatukan diri untuk menolong dirinya sendiri
dan manusia sesamanya. (Hendrojogi, 1997)
Di Indonesia koperasi-koperasi terus mengalami peningkatan dari definisi
dan ketentuan koperasi bahwa koperasi Indonesia dalam konteks umum bertujuan
untuk kesejahteraan dan kemanfaatan anggota serta mewujudkan masyarakat yang
maju, adil dan makmur berlandaskan Pancasila dan UUD 1945.Fokus pemerintah
terhadap pendirian koperasi menyebabkan pertumbuhan koperasi yang luar biasa
di seluruh kepulauan Indonesia.Padahal, jumlah koperasi dan anggotanya
meningkat 2 kali lipat pada akhir tahun 2001 dibandingkan dengan Desember
1998.Yang paling dominan adalah koperasi kredit, dan jumlah koperasi yang
masih terkait dengan program pemerintah tinggal 25%.Berdasarkan pasal 2, PP
60/1959 ada 7 jenis koperasi. Yaitu,
1. Koperasi Desa
2. Koperasi Pertanian
3. Koperasi Perternakan
4. Koperasi Perikanan
5. Koperasi Kerajinan/Industri
2
6. Koperasi Simpan Pinjam
7. Koperasi Konsumsi (Hendrojogi, 1997)
Dari ke-7 jenis koperasi diatas salah satunya adalah Koperasi yang
bergerak di bidang simpan pinjam uang untuk karyawan yang bekerja pada
sebuah instansi, proses bisnis dari Koperasi simpan pinjam adalah untuk
memberikan pinjaman dana kepada karyawannya untuk berbagai keperluan dari
yang bersangkutan. Namun dalam melaksanakan peminjaman uang perlu di
analisis dengan tepat, dalam proses bisnis di koperasi simpan pinjam, manajemen
selalu dihadapkan oleh berbagai macam masalah dari berbagai macam bidang.
Masalah-masalah yang dihadapi oleh manajemen memiliki tingkat kesulitan dan
kompleksitas yang sangat bervariasi, mulai dari masalah yang teramat sederhana
dengan sedikit faktor-faktor yang terkait sampai dengan masalah yang sangat
rumit dengan banyak sekali faktor-faktor yang terkait dan perlu untuk
diperhitungkan terutama dalam menentukan kelayakan pemberian pinjaman
kepada anggota koperasi untuk meminimalisir terjadinya kredit macet dikemudian
hari yang berdampak pada pendapatan koperasi itu sendiri (Ellias, 2010).
Untuk menghadapi masalah-masalah ini, teknologi dan ilmu pengetahuan
dapat membantu manajemen dalam menyelesaikan masalah-masalah tersebut.
Sistem terkomputerisasi dengan didukung sistem pendukung keputusan adalah
salah satu solusi yang dapat diterapkan pada sebuah perusahaan untuk
memperkirakan apakah suatu pengajuan hipotek oleh nasabah merupakan suatu
kredit yang baik atau buruk dengan menerapkan Datamining sebagai penggerak
sistem pendukung keputusan ( Hijriyani, 2016).
Dalam Data Mining ada beberapa teknik pengolahan data yaitu: deskripsi,
estimasi, prediksi, klasifikasi, klasterisasi, dan asosiasi. Adapun pohon keputusan
C4.5 dan metode Naïve Bayes merupakan dua dari beberapa pola pikir sebuah
sistem dengan teknik pengklasifikasian dari Data Mining, pohon keputusan C4.5
dan pola pikir Naïve Bayes adalah metode yang dikembangkan untuk membantu
mencari dan membuat keputusan untuk masalah.
3
Pengambilan keputusan yang terbaik dari berbagai faktor yang
mempengaruhi suatu masalah dan mencari penyelesaian terbaik dengan
memperhitungkan faktor-faktor dan resiko akan keputusan yang akan diambil.
Penelitian sebelumnya tentang algoritma klasifikasi antara decision tree
C4.5, dan Naïve Bayes yang digabungkan dengan metode seleksi fitur forward
selection untuk kasus ketepatan pemilihan konsentrasi mahasiswa didapatkan
tingkat akurasi tertinggi dengan algoritma terpilih C4.5 dengan nilai akurasi
sebesar 84,98% (Supriyanti, 2015).
Hasil penelitian lain menyatakan bahwa tingkat akurasi algoritma C4.5
sebesar 90.00%, nilai tersebut lebih besar dibandingkan dengan akurasi algoritma
Naïve Bayes yang hanya memperoleh tingkat akurasi sebesar 70.00%. Tingkat
akurasi pada algoritma C4.5 lebih besar dalam melakukan proses prediksi
kelayakan pemberian kredit dikarenakan pada algoritma C4.5 mampu melakukan
prediksi dengan benar pada sebuah data yang juga positif benar pada data yang
sebenarnya, hal ini dibuktikan dengan dinilai precision dari algoritma C4.5
sebesar 86.67%, nilai tersebut lebih besar jika dibandingkan dengan nilai
precision dari algoritma Naïve Bayes yang hanya sebesar 79.71%. Selain itu
kemampuan pada algoritma C4.5 dalam memprediksi data yang relevan juga
sangat baik, hal itu dibuktikan dengan perolehan nilai recall sebesar 100.00%
(Cipta, 2017).
Ironisnya hasil dari penelitian lain yang dilakukan, berdasarkan dari nilai
akurasi maupun recallnya, naive bayes lebih tinggi dibandingkan dengan decision
tree (C.45) yaitu dengan nilai accuracy 75,66% untuk decision tree dan 76,97%
untuk naive bayes. Untuk nilai recall-nya naive bayes lebih unggul yaitu 96,89%
dibandingkan decision tree (C.45) 89,78%. Meskipun dalam penelitian ini tingkat
Precision-nya lebih tinggi decision tree yaitu 85,23% dibandingkan naive bayes
84,17%. Hasil akhir dari penelitian ini adalah metode naive bayes lebih baik
digunakan dari pada metode decision tree (C.45) dengan nilai total 250,67%
untuk decision tree (C.45) dan 258.03% untuk naive bayes dengan dataset dari
puskesmas Kartasura tentang data tumbuh kembang anak balita (Listiana, 2015).
4
Hal yang melatar belakangi penulis memilih peminjaman uang di koperasi
adalah adanya kredit macet berdasarkan data yang telah dikumpulkan.
Data yang dikumpulkan dari tahun 2013 hingga 2017 yaitu sebesar
57,69% pada 2013, 50% pada 2014, 52,38% pada 2015, 71,4% pada 2016 dan
72,72% pada 2017 yang terjadi pada Koperasi Karyawan PT. Karyamitra
Budisentosa jika dibandingkan dengan kredit yang berstatus lunas. Melihat
masalah-masalah yang ada maka dalam penelitian ini akan dikaji metode dalam
pengambilan keputusan dengan algoritma C4.5 dan Naïve Bayes untuk menetukan
pemilihan karyawan yang layak mendapatkan pinjaman uang di Koperasi
Karyawan PT. Karyamitra Budisentosa. Hal yang mendasari penelitian ini
menggunakan metode C4.5 adalah adanya kontinuitas dari beberapa atribut yang
ada dalam dataset, sehingga dirasa perlu dikomparasikan dengan metode
klasifikasi lain yaitu Naïve Bayes, kemudian dari penelitian terhadap metode C4.5
dan Naïve Bayes menggunakan data simpan pinjam selama 5 tahun dari 2013
hingga 2017 akan dipilih salah satu metode dari C4.5 dan Naïve Bayes
berdasarkan nilai akurasi, precision, recall dan AUC (Area Under Curve) dengan
hasil yang terbaik diantara dua metode klasifikasi dari hasil uji terhadap data yang
telah disiapkan. Kemudian akan disampaikan kepada manajemen untuk dijadikan
saran dalam membangun sistem pendukung keputusan peminjaman uang agar
meminimalisir permasalahan kredit macet yang mungkin terjadi sehingga
mengganggu proses bisnis dan managerial terutama di Koperasi Karyawan PT.
Karyamitra Budisentosa.
1.2 Perumusan Masalah
Adapun rumusan masalah yang berhubungan dengan sistem penunjang
keputusan untuk pinjaman uang karyawan menggunakan metode C4.5 dan Naïve
Bayes antara lain:
1. Berapakah nilai tingkat akurasi, precision dan recall-nya, dari
algoritma C4.5 dan Naïve Bayes terhadap data simpan pinjam di
Koperasi Karyawan PT. Karyamitra Budisentosa Pandaan?
5
2. Manakah metode yang terbaik untuk menentukan kelayakan
pemberian kredit kepada karyawan di Koperasi Karyawan PT.
Karyamitra Budisentosa Pandaan?
1.3 Batasan Masalah
Adapun untuk memperjelas arah pembahasan dan penelitian, maka penulis
membagi beberapa batasan menjadi beberapa bagian:
1. Pelaksanaan penelitian ini bertempat di Koperasi Karyawan PT.
Karyamitra Budisentosa Pandaan.
2. Data yang diteliti adalah data simpan pinjam yang terjadi selama 5
tahun dari tahun 2013 hingga 2017.
3. Metode yang akan dipakai adalah komparasi antara algoritma C4.5
dengan Naïve Bayes.
4. Software pembantu yang digunakan dalam membantu proses penelitian
ini dengan toolsRapidMiner.
1.4 Tujuan Penelitian
Adapun tujuan dari penulis sendiri dalam kajian komparasi menggunakan
metode C4.5 dan Naïve Bayes terhadap data simpan pinjaman uang dalam hal ini
adalah:
1. Mengetahui nilai tingkat akurasi, precision dan recall-nya, dari
algoritma C4.5 dan Naïve Bayes terhadap data simpan pinjam di
Koperasi Karyawan PT. Karyamitra Budisentosa Pandaan.
2. Menemukan metode terbaik untuk rekomendasi pembangunan sistem
penunjang keputusan yang dapat mempermudah seorang Manajer
dalam menentukan peminjaman uang karyawan secara cepat dan tepat.
1.5 Manfaat Penelitian
Manfaat dari hasil penelitian yang dilakukan dalam kajian komparasi
menggunakan metode C4.5 dan Naïve Bayes terhadap data simpan pinjaman uang
yaitu:
6
1. Secara teoritis mengetahui metode terbaik dari perbandingan atara
metode C4.5 dan Naïve Bayes untuk menentukan kelayakan karyawan
yang mendapatkan pinjaman uang di Koperasi Karyawan PT.
Karyamitra Budisentosa Pandaan.
2. Secara praktis mengurangi resiko kemungkinan terjadinya kredit macet
di Koperasi Karyawan PT. Karyamitra Budisentosa Pandaan dengan
memberikan masukan untuk membangun sistem informasi dengan
metode yang terbaik dari kajian komparasi ini.
1.6 Sistematika Penulisan
Sistematika penulisan yang digunakan dalam penelitian ini adalah seperti
berikut ini :
BAB I membahas tentang pendahuluan terkait penelitian yang terdiri dari latar
belakang, perumusan masalah, batasan masalah, tujuan penelitian dan manfaat
penelitian.
BAB II membahas mengenai kajian pustaka dan dasar teori yang berkaitan
mengenai penelitian ini.Kajian pustaka dan dasar teori berfungsi sebagai sumber
untuk memahami permasalahan dan menyelesaikan permasalahan yang berkaitan
dengan penelitian.
BAB III membahas mengenai proses-proses atau tahapan-tahapan penelitian yang
digunakan untuk mencapai tujuan dalam penelitian.
BAB IV membahas mengenai pengerjaan penelitian sebagaimana yang telah
ditetapkan dalam metodologi penelitian.
BAB V memberikan kesimpulan dari pembahasan yang telah dilakukan dalam
penelitian ini.
7
BAB II
KAJIAN PUSTAKA DAN DASAR TEORI
Bab 2menjelaskan mengenai kajian pustaka dan dasar teori yang
berkaitan mengenai penelitian ini.Kajian pustaka dan dasar teori berfungsi
sebagai sumber untuk memahami permasalahan dan menyelesaikan
permasalahan yang berkaitan dengan penelitian.
2.1 Pengertian Koperasi
Koperasi adalah suatu perserikatan dengan tujuan berusaha bersama yang
terdiri atas mereka yang lemah dan diusahakan selalu dengan semangat tidak
memikirkan dari sendiri sedemikian rupa, sehingga masing-masing sanggup
menjalankan kewajibannya sebagai anggota dan mendapat imbalan sebanding
dengan pemanfaatan mereka terhadap organisasi. (Hendrojogi, 1997)
Menurut Prof. R.S. Soeriaatmadja Koperasi adalah suatu badan usaha yang
secara sukarela dimiliki dan dikendalikan oleh anggota yang adalah juga
pelanggannya dan dioperasikan oleh mereka dan untuk mereka atas dasar nir laba
atau dasar biaya. (Hendrojogi, 1997)
Sebagai koperasi, ada beberapa peraturan dan syarat yang harus diikuti
oleh koperasi masing-masing.Menurut pasal 37 dalam Undang-Undang no.12
tahun 1967, pemerintah berkewajiban untuk memberikan bimbingan, pengawasan,
perlindungan dan fasilitas terhadap koperasi serta memampukannya untuk
melaksanakan pasal 33 UUD 1945. (Hendrojogi, 1997)
Menurut Hendrojogi, Koperasi adalah perkumpulan otonom dari orang-
orang yang bergabung secara sukarela untuk menemuhi kebutuhan dan aspirasi
ekonomi, sosial dan budaya mereka yang sama melalui pemisahan yang dimiliki
dan diawasi secara demokratis.” (Hendrojogi, 1997)
Yang penting juga adalah mempertinggi taraf hidup anggotanya,
meningkatkan produksi dan mewujudkan pendapatan yang adil dan kemakmuran
yang merata.Selanjutnya, koperasi Indonesia wajib memiliki dan berlandaskan
8
nilai-nilai menolong diri-sendiri, bertanggung jawab kepada dirisendiri,
demokrasi, persamaan, keadilan dan solidaritas (Hendrojogi, 1997).
Menurut Undang-undang No. 25 tahun 1992 Pasal 4 dijelaskan bahwa
koperasi memiliki fungsi dan peranan antara lain yaitu mengembangkan potensi
dan kemampuan ekonomi anggota dan masyarakat, berupaya mempertinggi
kualitas taraf hidup seorang manusia, memperkokoh perekonomian rakyat,
mengembangkan perekonomian nasional, serta mengembangkan kreativitas dan
jiwa berorganisasi bagi pelajar bangsa (Soetrisno, 2001).
1. Ketentuan dan prinsip koperasi juga cukup banyak dan berasal dari UU no.
79 tahun 1958. Prinsip-prinsip koperasi sebagai berikut:
2. Berasas kekeluargaan (gotong-royong)
3. Bertujuan mengembangkan kesejahteraan anggotanya pada khususnya dan
kesejahteraan masyarakat dan daerah bekerjanya pada umumnya
4. Dengan berusaha:
5. Mewajibkan dan mengingatkan anggotanya untuk menyimpan secara
teratur
6. mendidik anggotanya ke arah kesadaran (berkoperasi)
7. menyelenggarakan salah satu atau beberapa usaha dalam lapangan
perekonomian
8. Keanggotaan berdasar sukarela mempunyai kepentingan, kewajiban dan
hak yang sama, dapat diperoleh dan akhiri setiap waktu dan menurut
kehendak yang berkepentingan, setelah syarat-syarat dalam anggaran dasar
terpenuhi (Soetrisno, 2001).
Undang-undang tersebut diperbarui pada tahun 1992 dengan UU no.25, pasal 33
yang menetapkan yang berikut:
1. Keanggotaan bersifat sukarela dan terbuka
2. Pengelolaan dilakukan secara demokratis
3. Pembagian sisa hasil usaha (SHU) dilakukan secara adil
4. Pemberian balas jasa yang terbatas terhadap modal
5. Kemandirian (Soetrisno, 2001).
9
Bisa dilihat dari definisi dan ketentuan koperasi bahwa koperasi Indonesia
dalam konteks umum bertujuan untuk kesejahteraan dan kemanfaatan anggota,
mewujudkan masyarakat yang maju, adil dan makmur berlandaskan Pancasila dan
UUD 1945 (Soetrisno, 2001).
Fokus pemerintah terhadap pendirian koperasi menyebabkan pertumbuhan
koperasi yang luar biasa di seluruh kepulauan Indonesia.Padahal, jumlah koperasi
dan anggotanya meningkat 2 kali lipat pada akhir tahun 2001 dibandingkan
dengan Desember 1998.Yang paling dominan adalah koperasi kredit, dan jumlah
koperasi yang masih terkait dengan program pemerintah tinggal 25%.Berdasarkan
pasal 2, PP 60/1959 ada 7 jenis koperasi. Yaitu,
1. Koperasi Desa
2. Koperasi Pertanian
3. Koperasi Perternakan
4. Koperasi Perikanan
5. Koperasi Kerajinan/Industri
6. Koperasi Simpan Pinjam
7. Koperasi Konsumsi (Soetrisno, 2001).
2.2 Pengertian Pinjaman
Secara sederhana, pinjaman dapat diartikan sebagai barang atau jasa yang
menjadi kewajiban pihak yang satu untuk dibayarkan kepada pihak lain sesuai
dengan perjanjian tertulis ataupun lisan, yang dinyatakan atau diimplikasikan serta
wajib dibayarkan kembali dalam jangka waktu tertentu (Yudiviantho, 2010).
Menurut Bambang Riyanto “Rentabilitas Ekonomi adalah perbandingan
antara laba usaha dengan modal sendiri dan modal asing yang digunakan untuk
menghasilkan laba tersebut dan dinyatakan dalam persentase“.Keadaan tersebut
terjadi apabila tingkat pengembaliannya berjalan dengan lancar.Begitupun
sebaliknya, jika terjadi piutang tak tertagih maka terjadi penurunan laba dan tentu
saja terjadi penurunan terhadap persentase rentabilitas ekonomi (Bambang, 2001).
10
Adapun Ninik Widiyanti menjelaskan” Bahwa pemberian pinjaman dalam
bentuk uang atau barang dapat mempengaruhi rentabilitas” (Wijayanti, 2000).
Dari penjelasan diatas dapat disimpulkan bahwa pemberian pinjaman
dapat mempengaruhi tinggi rendahnya tingkat rentabilitas ekonomi.
2.3 Sejarah Koperasi Karyawan Karyamitra Budisentosa
Koperasi Karyawan karyamitra Budisentosa merupakan koperasi simpan
pinjam yang berada di bawah PT. karyamitra Budisentosa Pandaan.Koperasi ini
terletak di Kecamatan Pandaan Kabupaten Pasuruan dan melayani nasabah atau
karyawan PT. karyamitra Budisentosa. Koperasi Karyawan Karyamitra
Budisentosa berdiri pada tahun 2005 di lingkungan PT. Karyamitra Budisentosa,
dari kesepakatan para pimpinan guna meningkatkan pelayanan kesejahteraan
karyawannya, jumlah anggota baru pada saat itu sekitar 30 orang. Ruang lingkup
usaha pada saat itu terbatas dalam bidang simpan pinjam.Walaupun belum
berbadan hukum, koperasi karyawan ini berjalan mulus dan perhatian terhadap
anggota koperasi cukup tinggi.
Setelah berjalan cukup lama dan dipandang perlu untuk melakukan
penataan dengan harapan koperasi dapat berkembang lebih baik, pihak perusahaan
mengeluarkan SK Direksi No. 17/A-II/DIR-KMBS/2002 dibentuklah Tim
Penataan Koperasi Karyawan Karyamitra Budisentosa yang diketuai oleh Bapak
Ali Nurwidjaya.
Melalui serangkataian rapat dengan mengacu kepada masukan – masukan
dari pengarahan Direksi/ Pimpinan Umum, para Deputy Direksi, unsur pimpinan
Karyamitra Budisentosa berhasil menyusun Anggaran Dasar dan Anggaran
Rumah Tangga Koperasi Karyawan Karyamitra Budisentosa.
Pada tahun 2010, kegiatan Koperasi karyawan Karyamitra Budisentosa
mulai meningkat.Mengacu kepada program kerja pengurus serta dukungan dan
perhatian Direksi PT. Karyamitra Budisentosa dengan memberikan peluang untuk
berkiprah dalam berbagai bidang usaha, sehingga kemungkinan untuk tumbah dan
berkembangnya Koperasi karyawan Karyamitra Budisentosa ini semakin cerah.
11
Adapun sumbangan PT. Karyamitra Budisentosa kepada Koperasi
karyawan Karyamitra Budisentosa, antara lain:
1. Pemberian peluang usaha.
2. Penggunaan fasilitas dan pemakaian asset perusahaan serta sarana
kerjanya.
Mengkaryakan karyawan PT. Karyamitra Budisentosa ke Koperasi
karyawan Karyamitra Budisentosa, dengan fasilitas gaji dan jaminan lainnya
secara penuh.
Pemberian pinjaman modal dalam keadaan koperasi mengalami
kekurangan dana. Pengelolaan Koperasi karyawan Karyamitra Budisentosa lebih
diarahkan pada oraganisasi yang sehat, tenaga kerja yang terampil, peluang usaha
yang baik dan administrasi yang baik.Untuk itulah pengurus berupaya melakukan
pembenahan organisasi yang dapat menunjang keberhasilan manajemen dan laju
pertumbuhan Koperasi karyawan Karyamitra Budisentosa Pandaan.
2.3.1 Visi Misi dan Tujuan Organisasi
Visi :
Menjadi Koperasi Karyawan berkualitas tingkat nasional
Misi :
1. Memberi layanan prima
2. Menyediakan produk dan jasa yang lengkap sesuai kebutuhan anggota
3. Membantu menciptakan peluang usaha bagi anggota
4. Menjalankan manajemen organisasi yang transfaran dan akuntabel dengan
didukung sistem informasi yang handal
Tujuan :
Meningkatkan kesejahteraan anggota dengan layanan terbaik, serta
peningkatan sumber daya anggota, pengurus dan pengelola secara profesional.
12
2.3.2 Sasaran Pelaksanaan & Pengembangan Organisasi :
Sasaran Pelaksanaan & pengembangan organisasi Koperasi karyawan
adalah meningkatkan kesejahteraan & layanan anggota serta peningkatan
kemampuan sumberdaya manusia secara profesional & proporsional yang
diwujudkan dalam program kerja yang terintegrasi. Sasaran pelaksanaan &
pengembangan organisasi tersebut dicapai melalui:
1. Konsolidasi Organisasi
2. Tertib Administrasi Organisasi
3. Tertib Administrasi Keanggotaan
4. Tertib Tata Kelola Bidang Karyawan dan teknologi
5. Mempertahankan & melaksanakan unit-unit usaha yang sudah ada
6. Menciptakan & mengembangkan peluang usaha
7. Menambah hubungan dengan pihak luar
8. Meningkatkan keuntungan dan permodalan
2.3.3 Sistem dan Pola Pelaksanaan Organisasi
Sistem dan pola pelaksanaan kerja organisasi Koperasi karyawan tetap
dibawah tanggungjawab Ketua, dimana pelaksanaanya dapat diserahkan dan
dipercayakan kepada sekretaris dan Bendahara dan Manager Pengelola sesuai
dengan bidang tugasnya dan secara operasional dikerjakan oleh para pengelola
dan pelaksana Koperasi karyawan Karyamitra Budisentosa Pandaan.
2.3.4 Struktur Organisasi
Dilihat dari segi organisasi, koperasi adalah wadah atau tempat orang
bekerjasama melakukan kegiatan-kegiatan dengan menggunakan dana, alat-alat
dan teknologi dalam upaya mencapai tujuan yang telah ditetapkan.
Struktur organsasi merupakan pengaturan atau pengorganisasian dalam
upaya pencapaian tujuan koperasi. Pada prinsipnya struktur organisasi
mempunyai dua maksud, yaitu:
1. Untuk jaringan otoritas atau wewenang (kekuasaan)
2. Untuk jaringan komunikasi.
13
Dengan adanya struktur organisasi yang jelas akan dapat memberikan
pengertian yang mudah mengenai organisasi yang bersangkutan. Selain itu para
karyawan dapat mengetahui dengan pasti apa yang harus mereka lakukan dan
untuk siapa mereka bekerja serta dapat mengetahui dengan jelas dari siapa
menerima perintah atau mempertanggungjawabkan pekerjaan.
Menurut Undang – undang No. 25 tahun 1992 tentan Perkoperasian Pasal
21, perangkat organisasi koperasi terdiri dari:
1. Rapat anggota
2. Pengurus
3. Pengawas
Demikian pula halnya dengan Koperasi karyawan Karyamitra Budisentosa
Pandaan yang memiliki struktur organisasi yang dapat dijadikan pedoman untuk
mengetahui jenjang hierarkis, ukuran besarnya organisasi dan struktur tugas serta
tanggung jawab.Untuk memberikan gambaran mengenai struktur organisasi
Koperasi karyawan Karyamitra Budisentosa dapat dilihat pada lampiran 1. Dari
lampiran tersebut terlihat bahwa struktur organisasi Koperasi karyawan
Karyamitra Budisentosa Pandaan pada dasarnya sama dengan struktur organisasi
koperasi lainnya, yang terdiri dari Rapat Anggota (RA), Pengurus dan Pengawas
yang lazim disebut sebagai alat perlengkapan koperasi. Untuk menyesuaikan
dengan kegiatan dari masing – masing organsasi, maka struktur yang berlaku
ditambah unsur – unsur lainnya seperti: Manajer (Ketua Unit), Staf Tata Usaha
dan Sekretaris serta BPP (Badan Pelindung dan Penasihat) Koperasi.
Untuk lebih jelasnya rincian mengenai masing – masing unit kelengkapan
organisasi tersebut, maka dapat dilihat pada penjelasan sebagai berikut:
1. Rapat anggota.
Rapat anggota merupakan kekuasaan tertinggi yang terdapat di koperasi
yang pelaksanaannya diadakan sekurang – kurangnya satu kali dalam setahun.
Sebagai pemegang kekuasaan tertinggi, Rapat Anggota mencerminkan
kebulatan keinginan para anggota yang harus dilaksanakan koperasi dalam bentuk
14
pelayanannya terhadap anggota.Menurut Anggaran Dasar yang terdapat di
Koperasi karyawan Karyamitra Budisentosa, bahwa Rapat Anggota dapat
dinyatakan sah jika hadir lebih dari separuh jumlah anggota koperasi.
Sedangkan keputuasn Rapat Anggota sejauh mungkin diambil berdasarkan
hikmah kebijaksanaan dalam permusyawatan, dan jika tidak tercapai kata
mufakat, maka keputusan diambil berdasarkan suara terbanyak dari anggota yang
hadir. Adapun bagi anggota yang tidak dapat hadir dalam rapat ini, maka anggota
tersebut tidak dapat mewakilkan suaranya kepada orang lain.
Adapun Rapat Anggota yang sudah dilakukan oleh Koperasi karyawan
Karyamitra Budisentosa Pandaan terdiri dari:
1. Rapat Anggota Tahunan Koperasi karyawan Karyamitra Budisentosa
Pandaan.
2. Rapat Anggota Tahunan Luar Biasa tentang kelembagaan organisasi dan
keuangan.
3. Rapat Anggota Koperasi karyawan Karyamitra Budisentosa Pandaan
memutuskan dan menetapkan hal – hal sebagai berikut:
4. Anggaran Dasar Koperasi karyawan Karyamitra Budisentosa Pandaan.
5. Kebijaksanaan umum di bidang organisasi, manajemen dan usaha
Koperasi karyawan Karyamitra Budisentosa.
6. Pemilihan, pengangkatan, pemberhentian pengurus dan pengawas.
7. Rencana kerja, Rencana Anggaran Pendapatan dan Belanja Koperasi
karyawan Karyamitra Budisentosa, serta pengesahan laporan keuangan.
8. Pengesahan pertanggungjawaban pengurus dalam pelaksanaan tugasnya
9. Pembagian Sisa Hasil Usaha (SHU).
Melihat dari usaha di atas, maka Koperasi karyawan Karyamitra
Budisentosa telah melaksanakan Rapat Anggota menurut Undang – undang No.
25 tahun 1992 tentang Perkoperasian.
2. Pengurus.
Pengurus Koperasi karyawan PT. Karyamitra Budisentosa dipilih untuk
masa jabatan tiga tahun dan dapat dipilih kembali setelah masa jabatannya
15
berakhir.Pengurus diangkat dan diberhentikan dari dan oleh anggota dalam Rapat
Anggota Tahunan.
Adapun syarat – syarat yang harus dipenuhi untuk memegang jabatan sebagai
pengurus adalah.
1. Memiliki pengetahuan dan paham akan pengertian perkoperasian
2. Memiliki sifat jujur dan keterampilan kerja
3. Dapat memimpin suatu organisasi dan perusahaan serta mampu
menyelenggarakan administrasi koperasi.
4. Melakukan segala perbuatan hukum untuk dan atas nama koperasi dan
mewakili koperasi ini dihadapan dan di luar pengadilan.
5. Melaksanakan segala ketentuan dalam Anggaran Dasar (AD), Anggaran
Rumah Tangga (ART), peraturan-peraturan khusus dan keputusan-
keputusan Rapat Anggota.
6. Melaporkan kepada anggota kejadian yang berkaitan dengan jalannya
koperasi
7. Melaporkan kepada pejabat yang ditunjuk tentang keadaan serta
perkembangan organisasi koperasi dan usaha-usahanya sekurang-
kurangnya dua kali dalam setahun.
Pengurus Koperasi karyawan Karyamitra Budisentosa Pandaan dalam
melaksanakan mekanisme kerja yang efektif dan efisien, maka diatur pembagian
tugas, wewenang dan tanggungjawab pengurus yang termuat dalam Anggaran
Rumah Tangga yang tersusun sebagai berikut:
Tabel 2.1Jabatan dan fungsi pengurus
Jabatan Fungsi
Ketua
1. Merupakan penanggung jawab umum dalam memimpin
dan mengelola organisasi dan badan - badan usaha milik
negara.
2. Memimpin dan mengawasi kegiatan dibidang
perdagangan umum dan usaha - usaha lainnya.
3. Mengadakan hubungan dengan lembaga/ badan tertentu
dalam usaha mencari atau mendapatkan kredit untuk
kepentingan organisasi.
4. Mewakili orgranisasi atau badan - badan usaha milik
16
Jabatan Fungsi
organisasi di dalam maupun di luar pengadilan.
5. Melakukan tugas lainya yang diberikan oleh pengurus
baik yang bersifat rutin maupun yang bersifat insidentil
dan khusus.
Sekretaris
1. Bertanggung jawab dalam penyelenggaran administrasi
atau ketatausahaan organisasi.
2. Jika dipandang perlu, dapat mewakili ketua dalam
memberikan persetujuan pembayaran untuk transaksi
yang bernilai kurang dari Rp 500.000,-.
3. Mengatur kegiatan dalam bidang pengelolaan keuangan,
niaga, umum dan tugas – tugas lainya yang diberikan
pengurus baik yang bersifat rutin maupun khusus.
4. Sekretaris adalah pembantu utama ketua Koperasi
karyawan Karyamitra Budisentosa yang bertugas
memberikan bantuan administrasi dan ketatausahaan
kepada ketua.
Bendahara
1. Menerima dan menyimpan semua pendapatan yang
sudah ditentukan di Bank.
2. Menyelenggarakan administrasi keuangan untuk
mencatat semua transaksi yang terjadi setiap bulannya.
3. Melakukan pemeriksaan dengan teliti terhadap
kelengkapan bukti – bukti sahnya pembayaran sebelum
menandatangani kuitansi pembayaran.
4. Melakukan kas opname setiap mingggu sekurang –
kurangnya tiap bulan dan sewaktu – waktu jika
dipandang perlu.
5. Melaporkan setiap minggu atau setiap bulan keadaan kas
kepada ketua untuk bahan penyusunan cash flow.
6. Menyetujui pembayaran transaksi atau pemberian
pinjaman yang dilakukan dengan menggunakan cek/
giro.
Dalam menyelenggarakan tugasnya sehari – hari, bendahara Koperasi
karyawan Karyamitra Budisentosa Pandaan bekerjasama dengan ketua dan
sekretaris dalam menyelesaikan pekerjaannya.
Kepengurusan Koperasi karyawan Karyamitra Budisentosa dari sejak
diresmikannya sampai sekarang senantiasa dipilih dari dan oleh anggota dalam
Rapat Anggota yang susunan kepengurusan berlangsung paling lama dua masa
jabatan berturut – turut.
17
Setiap penggantian pengurus tidak pernah terjadi penggantian pengurus
secara total.
Artinya setiap penggantian pengurus selalu terdapat pengurus lama yang
dipilih kembali dengan demikian kesinambungan program pembinaan Koperasi
karyawan Karyamitra Budisentosa dapat dipertahankan ekistensinya.
2.4 Sistem Pendukung Keputusan (SPK)
Sistem Pendukung Keputusan adalah sebuah sistem yang mampu
memberikan kemampuan pemecahan masalah maupun kemampuan
pengkomunikasian untuk masalah dengan kondisi semi terstruktur dan tak
terstruktur.Sistem ini digunakan untuk membantu pengambilan keputusan dalam
situasi semi terstruktur dan situasi yang tidak terstruktur, dimana tak seorangpun
tahu secara pasti bagaimana keputusan seharusnya dibuat (Turban, 2001).
SPK bertujuan untuk menyediakan informasi, membimbing, memberikan
prediksi serta mengarahkan kepada pengguna informasi agar dapat melakukan
pengambilan keputusan dengan lebih baik
Decision Support Systems (DSS) atau sistem pendukung keputusan adalah
serangkaian kelas tertentu dari sistem informasi terkomputerisasi yang
mendukung kegiatan pengambilan keputusan bisnis dan organisasi.Suatu DSS
yang dirancang dengan benar adalah suatu sistem berbasis perangkat lunak
interaktif yang dimaksudkan untuk membantu para pengambil keputusan
mengkompilasi informasi yang berguna dari data mentah, dokumen, pengetahuan
pribadi, danmodel bisnis untuk mengidentifikasikan dan memecahkan berbagai
masalah dan mengambil keputusan. Adapun konsep dari DSS ada 3 yaitu:
1. Masalah Terstruktur, merupakan suatu masalah yang memiliki struktur
masalah pada 3 tahap pertama, yaitu intelijen, rancangan dan pilihan.
2. Masalah Tak Terstruktur, merupakan masalah yang sama sekali tidak
memiliki struktur pada 3 tahap diatas.
3. Masalah Semi-Terstruktur, merupakan masalah yang memiliki struktur
hanya pada satu atau dua tahap.
18
Adapun tujuan dari membangun sebuah DSS adalah:
1. Membantu manajer membuat keputusan untuk memecahkan masalah semi
terstruktur.
2. Mendukung penilaian manajer bukan mencoba menggantikannya.
3. Meningkatkan effektifitas pengambilan keputusan manajer daripada
efisiensinya.
Jenis Keputusan yang dibuat pada dasarnya dikelompokkan dalam 2 jenis,
antara lain:
1. Keputusan Terprogram
Keputusan ini bersifat berulang dan rutin, sedemikian hingga suatu
prosedur pasti telah dibuat menanganinya sehingga keputusan tersebut tidak perlu
diperlakukan
2. Keputusan Tak Terprogram
Keputusan ini bersifat baru, tidak terstruktur dan jarang konsekuen.Tidak
ada metode yang pasti untuk menangani masalah ini karena belum ada
sebelumnya atau karena sifat dan struktur persisnya tak terlihat atau rumit atau
karena begitu pentingnya sehingga memerlukan perlakuan yang sangat khusus.
Istilah DSS kadang digunakan untuk menggambarkan sembarang sistem
yang terkomputerisasi.DSS digunakan untuk definisi yang lebih sempit, dan
digunakan istilah Management Support System(MSS) sebagai payung untuk
menggambarkan berbagai tipe sistem pendukung. Adapun alasan perusahaan
menggunakan DSS adalah:
1. Perusahaan beroperasi pada ekonomi yang tak stabil.
2. Perusahaan dihadapkan pada kompetisi dalam dan luar negeri yang
meningkat.
3. Perusahaan menghadapi peningkatan kesulitan dalam hal melacak jumlah
operasi-operasi bisnis.
4. Sistem komputer perusahaan tak mendukung peningkatan tujuan
perusahaan dalam hal efisiensi, profitabilitas, dan mencari jalan masuk di
pasar yang benar-benar menguntungkan (Nurhayati, 2014).
19
Berdasarkan pengertian dan jenis dari sistem pendukung keputusan atau
DSS maka dapat disimpulkan bahwa Sebuah sistem yang dapat menampilkan
kemungkinan solusi dalam bentuk informasi atau grafik.
Solusi bersumber dari informasi yang sudah ada sebelumnya.Informasi
yang ditampilkan berupa rekomendasi dan sistem bersifat aktif dalam berpikir out
of the box. Sistem ini sebatas pendukung keputusan saja, artinya masih
membutuhkan pimpinan/pengambil keputusan untuk menentukan keputusan yang
diambil, misalnya dengan sistem pakar, kecerdasan buatan atau penambangan
data, dalam penelitian ini akan dibahas mengenai penambangan data atau data
mining.
2.5 Data mining (Penambangan Data)
Data mining adalah sebuah proses untuk menemukan pola atau
pengetahuan yang bermanfaat secara otomatis dalam data yang berjumlah banyak
dengan menggunakan teknik atau metode tertentu.(Han, 2006)
Menurut Han, dan Kamber (2006) data mining merupakan pemilihan atau
“menambang” pengetahuan dari jumlah data yang banyak. Data mining sering
dianggap sebagai bagian dari Knowledge Discovery in Database (KDD) yaitu
sebuah proses mencari pengetahuan yang bermanfaat dari data, proses Knowledge
Discovery, prosesnya terdiri dari:
1. Data cleaning
Proses cleaning mencakup antara lain membuang duplikasi data,
memeriksa data yang inkonsisten, dan memperbaiki kesalahan pada data seperti
kesalahan cetak (tipografi).
2. Data integration
Pada tahap data integration dilakukan pengecekan kombinasi data
terhadap data yang berasal dari banyak sumber.
3. Data selection
Pemilihan (selection) data dari sekumpulan data operasional perlu
dilakukan sebelum tahap penggalian informasi. Data hasil seleksi yang
20
akandigunakan untuk proses data mining disimpan dalam suatu berkas terpisah
dari basis data operasional.
4. Data transformation
Merupakan proses transformasi pada data yang telah dipilih, sehingga data
tersebut sesuai untuk proses data mining. Proses ini merupakan proses kreatif dan
sangat tergantung pada jenis atau pola informasi yang akan dicari dalam basis
data. Kadang-kadang transformasi data dan konsolidasi dilakukan sebelum proses
seleksi data, khususnya dalam kasus data warehousing. Reduksi data juga dapat
dilakukan untuk mendapatkan representasi yang lebih kecil dari data asli tanpa
mengorbankan integritasnya.
5. Data mining
Pemilihan tujuan dari proses KDD misalnya klasifikasi, regresi, clustering,
dan sebagainya. Proses data mining adalah proses mencari pola atau informasi
menarik dalam data terpilih menggunakan teknik dan metode tertentu. Pemilihan
metode atau algoritma yang tepat sangat bergantung pada tujuan dan proses KDD
secara keseluruhan.
6. Pattern evalution
Proses yang mengidentifikasi pola yang benar-benar menarik yang
mewakili pengetahuan berdasarkan beberapa ukuran tindakan meliputi hipotesa
sebelumnya.
7. Knowledge presentation
Pola informasi yang dihasilkan dari proses data mining perlu ditampilkan
dalam bentuk yang mudah dimengerti oleh pihak yang berkepentingan.(Han,
2006)
Menurut Han dan Kamber, tugas data mining berdasarkan fungsinya
dikategorikan menjadi dua yaitu deskriptif dan prediktif.Data mining secara
deskriptif bertugas mengkarakteristik properti data pada basis data, sedangkan
tugas data mining prediktif yaitu membuat prediksi berdasarkan kesimpulan dari
data yang ada untuk dijadikan informasi yang bernilai. Fungsionalitas data mining
dideskripsikan sebagai berikut :
21
1. Asosiasi
Asosiasi adalah proses menemukan aturan asosiasi yang didapatkan dari
frekuensi suatu atribut pada sekumpulan data
2. Deskripsi Konsep / Kelas
Deskripsi konsep / kelas memberikan ringkasan yang jelas dan tepat dari
sekumpulan data.Deskripsi dapat diperoleh dari karakteristik data dan
diskriminasi data atau kedua-duanya.
3. Klasifikasi
Klasifikasi merupakan proses pencarian sekumpulan model atau fungsi
yang menggambarkan dan membedakan kelas atau konsep data dengan maksud
menggunakan model tersebut sebagai prediksi terhadap kelas atau obyek dimana
label kelas tersebut tidak diketahui.
4. Analisa Klaster
Berbeda dengan klasifikasi, klasterisasi merupakan unsupervised learning.
Dalam klasterisasi, label kelas tidak didefinisikan terlebih dahulu.
5. Analisa Outlier
Outlier adalah objek data yang tidak memenuhi model dan persyaratan
secara umum. Obyek data outlier berbeda dan tidak konsisten dengan data set
yang ada. Kebanyakan metode data mining menganggap outlier sebagai sampah.
(Han, 2006)
Menurut Han dan Kamber, data preprocessing merupakan proses
persiapan data yang dilakukan dengan tujuan menyesuaikan kondisi data agar
sesuai dengan kebutuhan pada proses analisis (data mining). Data preprocessing
memakan waktu paling lama diantara proses-proses pencarian pengetahuan
(knowledge discovery).Data preprocessing diperlukan karana data yang dimiliki
sering kali tidak lengkap, tidak konsisten, banyak terjadi perulangan data yang
tidak perlu, dan memuat anomali atau error. Metode pada data
preprocessingyaitu :
22
1. Pembersihan Data (Data Cleaning)
Data cleaning bertujuan melengkapi atau menghapus data yang tidak
lengkap, menghilangkan data noise, mengidentifikasi atau menghapus anomali,
dan mengatasi masalah konsisten data.
2. Integrasi Data (Data Integration)
Integrasi data adalah suatu teknik mengkombinasikan data dari beberapa
sumber dalam satu tempat penyimpanan, misalnya gudang data (data warehouse).
Sumber tersebut bisa berupa multiple database, data cube atau file-file.
3. Transformasi Data (Data Transformation)
Data mentah perlu dilakukan proses transformasi untuk meningkatkan
performanya. Dalam transformasi data, data diubah menjadi bentuk yang bisa
ditambang.
4. Reduksi Data (Data Reduction)
Data yang kompleks akan membutuhkan waktu yang lama untuk
menambang. Teknik reduksi data sangat membantu mereduksi data yang
kompleks tanpa mengurangi integritas dari data yang asli dan tidak mengurangi
kualitas informasi yang dihasilkan. (Hijriyani, 2016)
Data mining dibagi menjadi beberapa kelompok berdasarkan tugas yang
dapat dilakukan, yaitu (Hijriyani, 2016).
1. Deskripsi
Terkadang peneliti dan analisis secara sederhana ingin mencoba mencari
cara untuk menggambarkan pola dan kecendrungan yang terdapat dalam data.
2. Estimasi
Estimasi hampir sama dengan klasifikasi, kecuali variabel target estimasi
lebih ke arah numerik dari pada ke arah kategori. Model dibangun menggunakan
record lengkap yang menyediakan nilai dari variabel target sebagai nilai prediksi.
Selanjutnya, pada peninjauan berikutnya estimasi nilai dari variabel target dibuat
berdasarkan nilai variabel prediksi.
23
3. Prediksi
Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa
dalam prediksi nilai dari hasil akan ada di masa mendatang.
4. Klasifikasi
Dalam klasifikasi, terdapat target variabel kategori. Contoh lain klasifikasi
dalam bisnis dan penelitian adalah: Menentukan apakah suatu transaksi kartu
kredit merupakan transaksi yang curang atau bukan.
5. Pengklusteran
Pengklusteran merupakan pengelompokan record, pengamatan, atau
memperhatikan dan membentuk kelas objek-objek yang memiliki kemiripan.
Kluster adalah kumpulan record yang memiliki kemiripan suatu dengan yang
lainnya dan memiliki ketidakmiripan dengan record dalam kluster lain.
Pengklusteran berbeda dengan klasifikasi yaitu tidak adanya variable target dalam
pengklusteran.Pengklusteran tidak mencoba untuk melakukan klasifikasi,
mengestimasi, atau memprediksi nilai dari variabel target. Akan tetapi, algoritma
pengklusteran mencoba untuk melakukan pembagian terhadap keseluruhan data
menjadi kelompok-kelompok yang memiliki kemiripan (homogen), yang mana
kemiripan dengan record dalam kelompok lain akan bernilai minimal.
6. Asosiasi
Tugas asosiasi dalam data mining adalah menemukan atribut yang muncul
dalam suatu waktu.Dalam dunia bisnis lebih umum disebut analisis keranjang
belanja.
Untuk mendukung penelitian ini penulis menggunakan Algoritma C4.5
Decision Tree dan Naïve Bayes sebagai pembandingnya.
2.6 Decision tree (Pohon Keputusan)
Pohon Keputusan (Decision Tree) merupakan metode klasifikasi dan
prediksi yang sangat kuat dan terkenal.Metode pohon keputusan mengubah fakta
yang sangat besar menjadi pohon keputusan yang merepresentasikan
aturan.Aturan dapat dengan mudah dipahami dengan bahasa alami.
24
Aturan ini juga dapat diekspresikan dalam bentuk bahasa basis data seperti
SQL untuk mencari record pada kategori tertentu.
Pohon keputusan juga berguna untuk mengeksplorasi data, menemukan
hubungan tersembunyi antara sejumlah calon variabel input dengan sebuah
variabel target. Karena pohon keputusan memadukan antara eksplorasi data dan
pemodelan, pohon keputusan ini sangat bagus sebagai langkah awal dalam proses
pemodelan bahkan ketika dijadikan sebagai model akhir dari beberapa teknik
lain(J R Quinlan, 1993).
Dalam situasi lain kemampuan untuk menjelaskan alasan pengambilan
keputusan adalah sesuatu yang sangat penting. Misalnya pada perusahaan asuransi
ada larangan resmi untuk mendeskriminasi berdasarkan variabel-variabel
tertentu.Perusahaan asuransi dapat mencari sendiri keadaan yang mencerminkan
bahwa mereka tidak menggunakan deskriminasi yang ilegal dalam memutuskan
seseorang diterima atau ditolak.Sebuah pohon keputusan adalah sebuah struktur
yang dapat digunakan untuk membagi kumpulan data yang besar menjadi
himpunan-himpunan record yang lebih kecil dengan menerapkan serangkaian
aturan keputusan. Anggota himpunan hasil menjadi mirip satu dengan yang lain
dengan masing-masing rangkaian pembagian. Sebuah model pohon keputusan
terdiri dari sekumpulan aturan untuk membagi sejumlah populasi yang heterogen
menjadi lebih kecil, lebih homogen dengan memperhatikan pada variabel
tujuannya.Sebuah pohon keputusan mungkin dibangun dengan seksama secara
manual, atau dapat tumbuh secara otomatis dengan menerapkan salah satu atau
beberapa algoritma pohon keputusan untuk memodelkan himpunan data yang
belum terklasifikasi (Scott, 2016).
Variabel tujuan biasanya dikelompokkan dengan pasti dan model pohon
keputusan lebih mengarah pada perhitungan probabilitas dari masing-masing
record terhadap kategori-kategori tersebut, atau untuk mengklasifikasi record
dengan mengelompokkannya dalam satu kelas. Pohon keputusan juga dapat
digunakan untuk mengestimasi nilai dari variabel kontinyu, meskipun ada
beberapa teknik yang lebih sesuai untuk kasus ini. (Scott, 2016)
25
Kelebihan dari metode pohon keputusan adalah:
1. Daerah pengambilan keputusan yang sebelumnya kompleks dan sangat
global, dapat diubah menjadi lebih simpel dan spesifik
2. Eliminasi perhitungan-perhitungan yang tidak diperlukan, karena ketika
menggunakan metode pohon keputusan maka sampel diuji hanya
berdasarkan kriteria atau kelas tertentu
3. Fleksibel untuk memilih fitur dari node internal yang berbeda, fitur yang
terpilih akan membedakan suatu kriteria dibandingkan kriteria yang lain
dalam node yang sama. Kefleksibelan metode pohon keputusan ini
meningkatkan kualitas keputusan yang dihasilkan jika dibandingkan ketika
menggunakan metode penghitungan satu tahap yang lebih konvensional
4. Dalam analisis multivarian, dengan kriteria dan kelas yang jumlahnya
sangat banyak, seorang penguji biasanya perlu mengestimasikan baik itu
distribusi dimensi tinggi ataupun parameter tertentu dari distribusi kelas
tersebut. Metode pohon keputusan dapat menghindari munculnya
permasalahan ini dengan menggunakan kriteria yang jumlahnya lebih
sedikit pada setiap node internal tanpa banyak mengurangi kualitas
keputusan yang dihasilkan. (Scott, 2016)
Kekurangan pada pohon keputusan adalah:
1. Terjadi overlapping terutama ketika kelas-kelas dan kriteria yang digunakan
jumlahnya sangat banyak. Hal tersebut juga dapat menyebabkan
meningkatnya waktu pengambilan keputusan dan jumlah memori yang
diperlukan
2. Pengakumulasian jumlah kesalahan dari setiap tingkat dalam sebuah pohon
keputusan yang besar
3. Kesulitan dalam mendesain pohon keputusan yang optimal
4. Hasil kualitas keputusan yang didapatkan dari metode pohon keputusan
sangat tergantung pada bagaimana pohon tersebut didesain. (Scott, 2016)
Algoritma Decision Tree C4.5 merupakan pengembangan dari ID3.Pohon
keputusan adalah model prediksi menggunakan struktur pohon atau struktur
berhirarki. (Scott, 2016)
26
2.7. Algoritma C4.5
Di akhir tahun 1970 hingga di awal tahun 1980-an, J. Ross Quinlan
seorang peneliti di bidang machine learning mengembangkan sebuah model
pohon keputusan yang dinamakan ID3 (Iterative Dichotomiser), walaupun
sebenarnya proyek ini telah dibuat sebelumnya oleh E.B. Hunt, J. Marin, dan P.T.
Stone. Kemudian Quinlan membuat algoritma dari pengembangan ID3 yang
dinamakan C4.5. (J R Quinlan, 1993)
Algoritma C4.5 juga bisa disebut sebuah struktur pohon dimana terdapat
Node internal yang mendeskripsikan atribut-atribut, setiap cabang tersebut untuk
menggambarkan hasil dari atribut yang diuji, dan setiap daun (terminal node)
menggambarkan kelas.Node tertinggi disebut akar.(Pramudiono 2008)
Gambar 2.1Model Pohon keputusan (Pramudiono, 2008)
Dalam memudahkan penjelasan mengenai Algoritma C4.5 berikut ini
Disertakan contoh kasus yang dituangkan dalam Tabel 2.2
Tabel 2.2Contoh perhitungan C4.5
27
Dalam kasus yang tertera pada Tabel 2.2, akan dibuat pohon keputusan
untuk menentukan main tenis atau tidak dengan melihat keadaan cuaca (outlook),
temperatur(temperature), kelembaban (humidity) dan keadaan angin (windy).
(Pramudiono 2008)
Secara umum Algoritma C4.5, untuk membangun pohon keputusan adalah
sebagai berikut:
1. Pilih atribut sebagai akar.
2. Buat cabang untuk masing-masing nilai.
3. Bagi kasus dalam cabang.
4. Ulangi proses untuk masing-masing cabang sampai semua kasus pada
cabang memiliki kelas yang sama. (Pramudiono 2008)
Untuk memilih atribut sebagai akar, didasarkan pada nilai gain tertinggi
dari atribut-atribut yang ada.Untuk menghitung Gain digunakan rumus seperti
tertera dalam Rumus 1. (Pramudiono 2008)
Gain(S,A)=Entrophy(S)-∑_(i=1)^n▒〖(|Si|)/(|S|)*Enterophy (Si)…..(1)〗
1. Dengan:
2. S: Himpunan kasus
3. A: Atribut
4. n: Jumlah partisi atribut A
5. |Si|: Jumlah kasus pada partisi ke-i
6. |S| : Jumlah Kasus dalam S
Sedangkan perhitungan nilai entrophy dapat dilihat pada rumus 2 berikut:
Enterophy (S)=∑_(i=1)^n▒〖-pi*〖log〗_2 pi…..(2)〗
Dengan:
1. S: Himpunan kasus
2. Pi: Proporsi dari Si terhadap S
3. n: Jumlah partisi atribut A
Setelah diketahui Gain, Enterophy dicari nilai Gain Ratio menggunakan
rumus 3 berikut:
28
Gain Ratio(S,A)=(Gain(S,A))/(Splitinfo(S,A))….(3)
Dimana rumus Splitinfo berdasar persamaan 4 berikut:
Splitinfo(S,A)=-∑_(i=1)^i▒〖Si/S 〖log〗_2 Si/S〗…..(4)
Dengan:
1. S: Himpunan kasus
2. A: Atribut
3. Si: Jumlah kasus pada partisi ke-i
4. S : Jumlah Kasus dalam S
Seperti yang telah dijelaskan bahwa C4.5 merupakan pengembangan dari
ID3. Namun memiliki beberapa perbedaan antara
lain :
1. Mampu menangani atribut dengan tipe diskrit atau kontinu.
2. Mampu menangani atribut yang kosong (missing value)
3. Bisa memangkas cabang.
Berikut ini adalah penjelasan lebih rinci mengenai masing-masing langkah
dalam pembentukan pohon keputusan dengan menggunakan Algoritma C4.5
untuk menyelesaikan permasalahan. (Pramudiono 2008)
Dalam menghitung jumlah kasus, jumlah kasus untuk keputusan Yes,
jumlah kasus untuk keputusan No, dan Entrophy dari semua kasus dan kasus yang
dibagi berdasarkan atribut Outlook, Temperature, Humidity dan Windy.Setelah itu
lakukan penghitungan Gain untuk masing-masing atribut.Hasil perhitungan
ditunjukkan oleh Tabel 2.3. (Pramudiono 2008)
29
Tabel 2.3Perhitungan Node 1
Baris Total kolom Entropy pada Tabel 2.3 dihitung dengan rumus 2,
sebagai berikut:
Enterophy(Total)=(-4/14 log_2x (4/14))+(-10/14 log_2x (10/14))
Enterophy(Total)=0.863120569
Sedangkan nilai Gain pada baris Outlook dihitung dengan menggunakan rumus 1,
sebagai berikut:
Gain(Total;Outlook)=Enterophy(Total)-∑_(i-1)^1▒|Outlook|_x/|Total|
Enterophy(〖Outlook〗_1)
Gain(Total;Outlook)=0.863120569-(4/14 x_0+ (5/14 x_0.723+(5/14
x_0.97 ))
Sehingga didapat Gain (Total, Outlook) = 0.258521037
Dari hasil pada tabel 2 dapat diketahui bahwa atribut dengan gain tertinggi
adalah humidity yaitu sebesar 0.37. Dengan demikian humidity dapat menjadi
node akar.Ada 2 nilai atribut dari humidity yaitu high dan normal. Dari kedua nilai
atribut tersebut, nilai atribut normal sudah mengklasifikasikan kasus menjadi 1
yaitu keputusan-nya yes, sehingga tidak perlu dilakukan perhitungan lebih lanjut,
tetapi untuk nilai atribut high masih perlu dilakukan perhitungan lagi. Dari hasil
tersebut dapat digambarkan pohon keputusan sementara seperti gambar 2.2
30
Gambar 2.2Pohon Keputusan Hasil Perhitungan Node 1 (Pramudiono, 2008)
Kemudian dilakukan perhitungan jumlah kasus, jumlah kasus untuk
keputusan Ya, jumlah kasus untuk keputusan Tidak, dan Entrophy dari semua
kasus dan kasus yang dibagi berdasarkan atribut cuaca, temperatur dan angin yang
dapat menjadi node akar dari nilai atribut tinggi. Setelah itu lakukan penghitungan
Gain untuk masing-masing atribut. Hasil perhitungan ditunjukkan oleh Tabel 2.4
Tabel 2.4Perhitungan Node 1.1
Dari hasil pada Tabel 2.4 dapat diketahui bahwa atribut dengan Gain
tertinggi adalah cuaca yaitu sebesar 0.699.Dengan demikian cuaca dapat menjadi
node cabang dari nilai atribut tinggi.Ada 3 nilai atribut dari cuaca yaitu mendung,
hujan dan cerah.dari ketiga nilai atribut tersebut, nilai atribut mendung sudah
mengklasifikasikan kasus menjadi 1 yaitu keputusannya Ya dan nilai atribut cerah
sudah mengklasifikasikan kasus menjadi satu dengan keputusan Tidak, sehingga
tidak perlu dilakukan perhitungan lebih lanjut, tetapi untuk nilai atribut hujan
masih perlu dilakukan perhitungan lagi. Pohon keputusan yang terbentuk sampai
tahap ini ditunjukkan pada Gambar 2.3 berikut:
31
Gambar 2.3Pohon Keputusan Hasil Perhitungan Node 1.1
Menghitung jumlah kasus, jumlah kasus untuk keputusan Ya, jumlah
kasus untuk keputusan Tidak, dan Entrophy dari semua kasus dan kasus yang
dibagi berdasarkan atribut temperatur dan angin yang dapat menjadi node cabang
dari nilai atribut hujan. Setelah itu lakukan penghitungan Gain untuk masing-
masing atribut. Hasil perhitungan ditunjukkan oleh Tabel 2.5
Tabel 2.5Perhitungan Node 1.1.2
Dari hasil pada Tabel 2.5 dapat diketahui bahwa atribut dengan Gain
tertinggi adalah angin yaitu sebesar 1.Dengan demikian angin dapat menjadi node
cabang dari nilai atribut hujan. Ada 2 nilai atribut dari angin yaitu Tidak dan Ya.
Dari kedua nilai atribut tersebut, nilai atribut Tidak sudah mengklasifikasikan
kasus menjadi 1 yaitu keputusannya Ya dan nilai atribut Ya sudah
mengklasifikasikan kasus menjadi satu dengan keputusan Tidak, sehingga tidak
perlu dilakukan perhitungan lebih lanjut untuk nilai atribut ini. Pohon keputusan
yang terbentuk sampai tahap ini ditunjukkan pada Gambar 2.4
32
Gambar 2.4Pohon Keputusan Akhir
Dengan memperhatikan pohon keputusan pada Gambar 2.4 diketahui
bahwa semua kasus sudah masuk dalam kelas.Dengan demikian, pohon keputusan
pada Gambar 2.4 merupakan pohon keputusan terakhir yang terbentuk.
2.8 Naïve Bayes
Naive Bayes merupakan pengklasifikasian dengan metode probabilitas dan
statistik yang dikemukakan oleh ilmuwan Inggris Thomas Bayes, yaitu
memprediksi peluang di masa depan berdasarkan pengalaman di masa
sebelumnya sehingga dikenal sebagai Theorema Bayes. Menurut Olson dan Delen
menjelaskan Naïve Bayes untuk setiap kelas keputusan, menghitung probabilitas
dengan syarat bahwa kelas keputusan adalah benar, mengingat vektor informasi
obyek.Algoritma ini mengasumsikan bahwa atribut obyek adalah independen.
Probabilitas yang terlibat dalam memproduksi perkiraan akhir dihitung sebagai
jumlah frekuensi dari "master" tabel keputusan (Xhemali, 2009).
The Naive Bayes Classifier bekerja sangat baik dibanding dengan model
classifier lainnya. Hal ini dibuktikan oleh Xhemali, Hinde dan Stone dalam
jurnalnya “Naïve Bayes vs. Decision Trees vs. Neural Networks in the
Classification of Training Web Pages” mengatakan bahwa “Naïve Bayes
Classifier memiliki tingkat akurasi yang lebih baik jika dibanding model
classifierlainnya” (Xhemali, 2009).
Naive Bayes mudah diinterpretasikan sehingga pengguna yang tidak punya
keahlian dalam bidang teknologi klasifikasi bisa mengerti.Dalam titerington et al,
33
model independence ini menghasilkan pemecahan yang terbaik. Efektifitas
metode Naïve Bayes juga terlihat pada contoh dalam penelitian Hand dan Yu pada
tahun 2001 dan perbandingan empiris lebih jauh, dengan hasil yang sama,
terdapat pada Domingos dan Pazzani pada tahun 1997. Klasifikasi Bayes adalah
pengklasifikasian statistik yang dapat digunakan untuk memprediksi probabilitas
keanggotaan suatu kelas (Kusrini, 2009). Klasifikasi Bayes didasarkan pada
teorema Bayes, diambil dari nama seorang ahli matematika yang juga menteri
Prebysterian Inggris, Thomas Bayes (1702-1761), yaitu:
P(x│y)=(P(x│y)P(x))/(P(y))…………………………(5)
keterangan :
y = data dengan kelas yang belum diketahui
x = hipotesis data y merupakan suatu kelas spesifik
P(x│y) = probabilitas hipotesis x dari kondisi y(posteriori probability)
P(x) = probabilitas hipotesis x (prior probability)
P(y│x) = probabilitas y berdasarkan kondisi pada hipotesis x
P(y) = probabilitas dari y
Untuk menentukan kasus baru termasuk kelas mana, dilakukan
perhitungan probabilitas posterior berdasarkan probabilitas prior yang telah
dihitung sebelumnya.Misalkan diambil sebuah data testing X, untuk menentukan
kelas mana, dilakukan perhitungan probabilitas posterior (Kusrini, 2009).
Contoh perhitungan Naïve Bayes untuk memprediksi kelulusan tepat
waktu mahasiswa, dengan atribut: No, Jenis Kelamin, Status Pernikahan, IPK
Semester 1-6, Status Kelulusan.
34
Tabel 2.6Dataset mahasiswa
(Sumber https://informatikalogi.com/algoritma-naive-bayes/)
Tabel 2.7Data Testing perhitungan Naïve Bayes
(Sumber https://informatikalogi.com/algoritma-naive-bayes/)
1. Mencari nilai propabilitas hipotesa P(CI)
P(status kelulusan = “tepat”) = 8/15
P(status kelulusan = “terlambat”) = 7/15
2. Mencari probabilitas x berdasarkan kondisi pada hipotesis P(CI) P(x|ci)
P(jenis kelamin = “laki – laki” | status kelulusan = “tepat”) = 5/8
P(jenis kelamin = “laki – laki” | status kelulusan = “terlambat”) = 3/7
P(status mahasiswa = “mahasiswa” | status kelulusan = “tepat”) = 5/8
P(status mahasiswa = “mahasiswa” | status kelulusan = “terlambat”) = 3/7
P(status prenikahan = “belum” | status kelulusan = “tepat”) = 4/8
P(status prenikahan = “belum” | status kelulusan = “terlambat”) = 4/7
P(ipk = “2.70” | status kelulusan = “tepat”) = 0/8
P(ipk = “2.70” | status kelulusan = “terlambat”) = 1/7 P(x|status
kelulusan = “tepat”) = P(kelamin = “laki – laki”, status mahasiswa =
“mahasiswa”, status pernikahan = “belum”, ipk = 2.70 | status kelulusan =
“tepat”)
= 5/8 * 5/8 * 4/8 & 0/8
= 0
35
P(x|status kelulusan = “terlambat”) = p(kelamin = “laki – laki”, status
mahasiswa = “mahasiswa”, status pernikahan = “belum”, ipk = 2.70 | status
kelulusan = “terlambat”)
= 3/7 * 3/7 * 4/7 * 1/7
= 0.43 * 0.43 * 0.57 * 0.14
= 0,014
3. Mencari nilai keputusan dari perhitungan total probabilitas atribut terhadap
total probabilitas hasil P(x|ci)*P(ci)
P(x|status kelulusan = “tepat”)*P(status kelulusan = “tepat”) = 0 * 8/15 =0
P(x|status kelulusan = “terlambat”)*P(status kelulusan = “terlambat”) = 0.014
* 7/15 = 0.0069
Kesimpulan hasil perhitungan Naïve Bayes terhadap dataset mahasiswa
untuk memprediksi kelulusan tepat waktu adalah: untuk kelamin = “laki – laki”,
status mahasiswa = “mahasiswa”, status pernikahan = “belum”, ipk = 2.70, masuk
ke kelas status kelulusan = “terlambat”
2.9 Confusion Matrix
Confusion matrix merupakan salah satu metode yang dapat digunakan
untuk mengukur kinerja suatu metode klasifikasi.
Pada dasarnya confusion matrix mengandung informasi yang
membandingkan hasil klasifikasi yang dilakukan oleh sistem dengan hasil
klasifikasi yang seharusnya (Rosely, 2015).
Confusion Matrix adalah alat (tools) visualisasi yang biasa digunakan pada
supervised learning. Tiap kolom pada matriks adalah contoh kelas prediksi,
sedangkan tiapbaris mewakili kejadian di kelas yang sebenarnya (Gorunescu,
2011).Confusion matrix berisi informasi aktual (actual) dan prediksi (predicted)
pada sistem klasifikasi (Rosely, 2015).
Tabel 2.8 adalah contoh tabel confusion matrix yang menunjukan
klasifikasi dua kelas
36
Tabel 2.8Tabel confusion matrix
Predikat
Actual Negative A C
Positif B D
Keterangan:
A = Jumlah prediksi yang tepat bahwa instance bersifat negatif (True
Negative)
B =Jumlah prediksi yang salah bahwa instance bersifat positif (False Positive)
C =Jumlah prediksi yang salah bahwa instance bersifat negatif (False
Negative)
D =Jumlah prediksi yang tepat bahwa instance bersifat positif (True Positive)
(Rosely, 2015).
Kurva ROC (Receiver Operating Characteristic) menunjukkan akurasi
dan membandingkan klasifikasi secara visual.ROC mengekspresikan confusion
matrix.ROC adalah grafik dua dimensi dengan false positive sebagai garis
horizontal dan true positive sebagai garis vertikal.AUC(the area under curve)
dihitung untuk mengukur perbedaan performansi metode yang digunakan.ROC
memiliki tingkat nilai diagnosa yaitu:
a. Akurasi bernilai 0,90 – 1,00 = excellent classification
b. Akurasi bernilai 0,80 – 0,90 = good classification
c. Akurasi bernilai 0,70 – 0,80 = fair classification
d. Akurasi bernilai 0.60 – 0,70 = poor classification
e. Akurasi bernilai 0.50 – 0.60 = failure
Menurut beberapa literatur, jika kita menemui kasus dimana class positive
(yang biasanya berjumlah sedikit, atau minority class) maka yang cocok
digunakan teknik untuk menggambar kurva PRC (Precision-Recall Curve).Kurva
37
ini dibuat berdasarkan nilai telah didapatkan pada perhitungan dengan confusion
matrix, yaitu antara Precision dan Recall
Berikut ini adalah contoh hasil perhitungan confusion matrix hingga kurva ROC.
Gambar 2.5Hasil confusion Matrix c45
(Sumber:Dhika. 2015)
Gambar 2.6Hasil Confusion Matrix
Naïve Bayes (Sumber:Dhika. 2015)
Gambar 2.5 adalah perhitungan Confusion Matrix berdasarkan data
training, diketahui dari 35 data, 4 data diklasifikasikan bad sesuai dengan prediksi
yang dilakukan dengan metode C4.5, lalu 13 data diprediksi good dan 18 data
very good. Gambar 2.6 adalah perhitungan Confusion Matrix untuk metode naïve
bayes. Diketahui dari 35 data, 15 data diklasifikasikan very good sesuai dengan
prediksi yang dilakukan dengan metode C4.5, lalu 16 data diprediksi good, 4 data
diprediksi bad.(Dhika. 2015)
Dari tabelconfusion matrix, selanjutnya dilakukan perhitungan nilai
accuracy, precision, sensitivity, dan recall. Perbadingan nilai accuracy, precision,
sensitivity, dan recall yang telah dihitung untuk metode C4.5 dan naïve bayes
dapat dilihat pada Tabel 2.9. (Dhika. 2015)
Tabel 2.9Perbandingan hasilpengolahan data (Sumber:Dhika. 2015)
Model yang dihasilkan metode C4.5 dan naïve bayes diuji menggunakan
metode Cross Validation, terlihat perbandingan nilai accuracy, precision, dan
recall pada Tabel 2.9, untuk metode C4.5 memiliki nilai accuracy, precision,
38
sensitivity, dan recall yang paling tinggi, dan yang terendah adalah naïve bayes.
(Dhika. 2015)
Pebandingan hasil perhitungan nilai AUC untuk metode C4.5 dan naïve
bayes dapat dilihat pada Tabel 2.10. (Dhika. 2015)
Tabel 2.10Tabel AUC (Sumber:Dhika. 2015)
Hasil perhitungan divisualisasikan dengan kurva ROC. Perbandingan
ketiga metode komparasi bisa dilihat pada Gambar 2.7 yang merupakan kurva
ROC untuk algoritma C45 dan Gambar 2.8 yang merupakan kurva ROC untuk
algoritma Naïve Bayes. Kurva ROC pada gambar 2.7 dan gambar 2.8
mengekspresikan confusion matrix dari gambar 2.7 dan gambar 2.8. Garis
horisontal adalah false positives dan garis vertikal true positives. (Dhika. 2015)
Gambar 2.7Grafik ROC metode C45
(Sumber:Dhika. 2015)
Gambar 2.8Grafik ROC metode Naïve Bayes
(Sumber:Dhika. 2015)
Kembali pada tabel 2.10 kemudian dilakukan perbandingan antara AUC
dari tabel 2.10 dengan tingkat akurasi dari masing-masing metode seperti Tabel
2.11.
Tabel 2.11Tabel perbandingan AUC dengan Accuracy
39
Tabel 2.11 membandingkan accuracy dan AUC dari tiap metode.Terlihat
bahwa nilai accuracy C4.5 paling tinggi begitu pula dengan nilai AUC-nya.Untuk
metode naïve bayes juga menunjukan nilai yang sesuai. Untuk klasifikasi data
mining, nilai AUC dapat dibagi menjadi beberapa kelompok:
a. 0.90-1.00 = klasifikasi sangat baik
b. 0.80-0.90 = klasifikasi baik
c. 0.70-0.80 = klasifikasi cukup
d. 0.60-0.70 = klasifikasi buruk
e. 0.50-0.60 = klasifikasi salah (Dhika. 2015)
Berdasarkan pengelompokkan di atas dan Tabel 6 maka dapat disimpukan
bahwa metode C4.5 dan naïve bayes termasuk klasifikasi sangat baik karena
memiliki nilai AUC antara 0.90-1.00. (Dhika. 2015)
2.10 RapidMiner
RapidMiner merupakan Software yang bersifat open source lingkungan
belajar untuk data mining dan machine learning yang digunakan dalam
mendukung penambangan data (Data mining) pada metode C4.5 dan Naïve Bayes
untuk mendapatkan nilai akurasi model sebagai bahan pengambilan keputusan
(Dennis, 2013). RapidMiner merupakan perangakat lunak yang bersifat terbuka
(open source).RapidMiner adalah sebuah solusi untuk melakukan analisis
terhadap data mining, text mining dan analisis prediksi.
RapidMiner menggunakan berbagai teknik deskriptif dan prediksi dalam
memberikan wawasan kepada pengguna sehingga dapat membuat keputusan yang
paling baik.RapidMiner memiliki kurang lebih 500 operator data mining,
termasuk operator untuk input, output, data preprocessing dan visualisasi.
RapidMiner merupakan software yang berdiri sendiri untuk analisis data sebagai
mesin data mining yang dapat diintegrasikan pada produknya sendiri.RapidMiner
ditulis dengan munggunakan bahasa java sehingga dapat bekerja di semua sistem
operasi.RapidMiner sebelumnya bernama YALE (Yet Another Learning
40
Environment), dimana versi awalnya mulai dikembangkan pada tahun 2001 oleh
RalfKlinkenberg, Ingo Mierswa, dan Simon Fischer di Artificial Intelligence Unit
dari University of Dortmund. RapidMiner didistribusikan di bawah lisensi AGPL
(GNU Affero General Public License) versi 3.Hingga saat ini telah ribuan aplikasi
yang dikembangkan mengunakan RapidMiner di lebih dari 40 negara.RapidMiner
sebagai software open source untuk data mining tidak perlu diragukan lagi karena
software ini sudah terkemuka di dunia.RapidMiner menempati peringkat pertama
sebagai Softwaredata mining pada polling oleh KDnuggets, sebuah portal
datamining pada 2010-2011.(Dennis, 2013).
RapidMiner menyediakan GUI (Graphic User Interface) untuk merancang
sebuah pipeline analitis.GUI ini akan menghasilkan fileXML (Extensible Markup
Language) yang mendefenisikan proses analitis keingginan pengguna untuk
diterpkan ke data. File ini kemudian dibaca oleh RapidMiner untuk menjalankan
analis secara otomatis (Dennis, 2013).
RapidMiner memiliki beberapa sifat sebagai berikut:
a. Ditulis dengan bahasa pemrograman Java sehingga dapat dijalankan di
berbagai sistem operasi.
b. Proses penemuan pengetahuan dimodelkan sebagai operator trees
c. Representasi XML internal untuk memastikan format standar pertukaran
data.
d. Bahasa scripting memungkinkan untuk eksperimen skala besar dan
otomatisasi eksperimen.
e. Konsep multi-layer untuk menjamin tampilan data yang efisien dan
menjamin penanganan data.
f. Memiliki GUI, command line mode, dan JavaAPI yang dapat dipanggil dari
program lain (Dennis, 2013).
2. Beberapa Fitur dari RapidMiner, antara lain:
a. Banyaknya algoritma data mining, seperti decision tree dan self-
organization map.
41
b. Bentuk grafis yang canggih, seperti tumpang tindih diagram histogram, tree
chart dan 3D Scatter plots.
c. Banyaknya variasi plugin, seperti text plugin untuk melakukan analisis teks.
d. Menyediakan prosedur data mining dan machine learning termasuk: ETL
(extraction, transformation, loading), data preprocessing, visualisasi,
modeling dan evaluasi
e. Proses data mining tersusun atas operator-operator yang nestable,
dideskripsikan dengan XML, dan dibuat dengan GUI
f. Mengintegrasikan proyek data mining, Weka dan statistika R (Dennis,
2013).
Melalui RapidMiner dapat dilakukan cross validation menggunakan K-
fold, K-fold adalah salah satu metode Cross Validation yang populer dengan
melipat data sebanyak K dan mengulangi (men-iterasi) eksperimennya sebanyak
K juga.Misal dataset yang dimiliki ada 150 record. Jika K=5, berarti 150 record
data dibagi menjadi 5 lipatan, isinya masing-masing 30 data RapidMiner akan
menentukan data training dan data testing secara otomatis. Melihat permisalan
tersebut maka dapat diartikan perbandingan datanya adalah 80:20, berarti 120 data
adalah training data dan 30 sisanya adalah testing data. Berdasarkan ke-5 lipatan
tadi, berarti ada 4 lipatan (partisi) x 30 data = 120 training data. Dan sisanya ada 1
partisi test data berisi 30 data. Kemudian, eksperimen menggunakan data yang
sudah di partisi-partisi diulang 5 kali (K=5), dengan posisi partisi test data
berbeda ditiap iterasinya. Misal di iterasi pertama test nya di posisi partisi awal,
iterasi kedua test-nya di posisi kedua, dan seterusnya hingga partisi ke-5
42
(Halaman ini sengaja dikosongkan)
43
BAB III
METODOLOGI PENELITIAN
Pada bagian ini diuraikan beberapa metode penelitian yang akan
digunakan atau dikerjakan untuk mencapai tujuan penelitian.
3.1 Kerangka Konsep Penelitian
Menganalisa hasil pengolahan data menggunakan konsep Algoritma C4.5
dan Naïve Bayes adalah untuk menentukan tingkat keakurasian algoritma tersebut
terhadap data yang akan diuji. Berikut ini merupakan tahapan kerangka penelitian
yang memiliki tujuh tahapan yang digambarkan dalam gambar 3.1 berikut:
Gambar 3.1Metodologi Penelitian
44
Dari gambar 3.1 dapat dijelaskan setiap prosedurnya sebagai berikut:
1. Studi literatur
Yaitu dengan menggunakan landasan teori dari buku-buku dan
makalah-makalah tentang data mining. Selain itu juga melakukan
serangkaian jelajah situs-situs web untuk mengambil (download)
materi-materi menegenai data mining khususnya klasifikasi dengan
Algoritma C4.5 dan Niave bayes. sehingga dalam adanya hal ini dapat
dilakukan analisa data dari Metode Algoritma C4.5 yang berbentuk
pohon keputusan dan Metode Naïve Bayes.
2. Pemahaman proses bisnis
Pada tahap ini dilakukan kegiatan survey lapangan di Koperasi
Karyawan PT. Karyamitra Budisentosa untuk melihat dan mengetahui
secara langsung kondisi serta permasalahan yang terjadi. Selain itu
juga mempelajari proses dan persyaratan pengajuan peminjaman
dana.
3. Pengumpulan data
Pada tahap ini dilakukan proses pengumpulan data dengan
penginputan manual karena beberapa data dalam bentuk fisik,
kemudian melakukan analisa data serta melakukan evaluasi kualitas
data yang digunakan dalam penelitian ini. Dari proses perijinan data
yang diajukan, diperoleh data debitur pada tahun 2013 sebanyak 77
record data, tahun 2014 sebanyak 60 record data, tahun 2015
sebanyak 35 record data, tahun 2016 sebanyak 17 record data dan
pada tahun 2017 sebanyak 24 record data, total ada sebanyak 213
record data dari tahun 2013-2017. Dari masing-masing data memiliki
19 atribut dengan nilai yang dimiliki oleh atribut merupakan nilai
kategorikal dan nilai angka, ada atribut tertentu yang setiap tahun data
record berubah nilainya yaitu atribut masa kerja.
4. Persiapan pengolahan data
Pada tahap ini dilakukan persiapan data mentah selanjutnya
45
menentukan atribut yang digunakan menganalisa masalah. Dalam
persiapan pengolahan dataada beberapa teknik preprocessing atau
pengolahanyang digunakan untuk mengolah data mentah yaitu:
1. Data Cleaning, pada tahap ini dilakukan pembersihan nilai-
nilai dalam atribut yang kosong dan menghapus data yang
kosong (missing values dan noisy),
2. Data Integration, pada tahap ini dilakukan penyatuan data
yang berbeda kedalam satu data. Dalam hal ini, ada dua data
yang diambil sebagai data warehouse yaitu database debitur
dan data nominatif kredit,
3. Data Reduction, jumlah atribut dan data yang digunakan untuk
data training dan data uji mungkin terlalu banyak dan hanya
beberapa atribut dan data yang diperlukan dalam melakukan
penelitian sehingga atribut dan data yang tidak diperlukan akan
dihapus. Dalam tahap ini juga dilakukan proses penghapusan
data yang terindetifikasi duplikasi dan data debitur yang tidak
dapat mengajukan kredit yang mungkin terjadi karena masih
memiliki tanggungan di tahun sebelumnya, sehingga
dimungkinkan tercatat dipelaporan tahun berikutnya.
4. Data Conversion, data yang masih memiliki nilai berupa angka
harus dilakukan proses konversi data dengan klasifikasi data
dari atribut. Data klasifikasi atribut terdapat pada Tabel 3.1
dibawah ini.
Tabel 3.1Atribut Dataset
Atribut Dataset yang diolah
Masa
Kerja
Status
Karyawan
Golongan
Karyawan
Uang
Pinjaman
Tanggungan
Uang
Tanggungan
Barang
1-16
Tahun
Tetap-
Tidak
Tetap A-B-C
Kecil-
Sedang-
Besar
Ada-Tidak
Ada
Ada-Tidak
Ada
46
5. Pemodelan
Pada tahap ini dilakukan pemilihan teknik pemodelan yang tepat.Pada
penelitian ini, menggunakan model atau algoritma C4.5 dan Naïve Bayes,
dalam RapidMiner 8.0 yang merupakan solusi untuk melakukan analisis
erhadap data mining, text mining dan analisis prediksi.RapidMiner
merupakan perangkat lunak yang berdiri sendiri untuk analisis data dan
sebagai mesin data mining yang diintegrasikan pada produknya
sendiri.Setelah melewati tahap persiapan pengolahan Data, sehingga pada
penelitian ini digunakan dataset sebanyak 99record.
6. Evaluasi
Pada tahap ini dilakukan evaluasi dari model yang sudah diciptakan dari
masing-masing algoritma.Pengukuran tingkat akurasi algoritma C4.5 dan
Naïve Bayes untuk memprediksi kelayakan pemberian kredit menggunakan
confusion matrix. Adapun kerangka berfikir dari proses evaluasi algoritma
C4.5 dan Naïve Bayes terhadap data simpan pinjam Koperasi Karyawan
PT.Karyamitra Budisentosa akan digambarkan seperti pada gambar 3.2 dan
3.3 dibawah.
Gambar 3.2Flowchart Algoritma C4.5
Gambar 3.3Flowchart Algoritma
Naïve Bayes
47
Hasil dari implementasi model data mining akan terdapat sebuah rule.
Rule yang dihasilkan akan digunakan sebagai dasar prediksi nilai yang akan
dilakukan. Sebelumnya, rule tersebut harus dievaluasi dan divalidasi
sehingga diketahui seberapa akurat hasil prediksi yang akan dilakukan.
Evaluasi dan validasi hasil rule klasifikasi dilakukan dengan confusion matrix
yang dipetakan menjadi grafik ROC (Receiver Operating Characteristic) dari
grafik tersebut didapatkan nilai AUC (Area Under Curve) dengan nilai dan
kategori yang dihasilkan oleh masing-masing metode terhadap pengolahan
data menggunakan tools RapidMiner seperti yang telah dijelaskan pada Bab 2
point 2.9 tentang confusion matrix dengan skenario uji k-fold validation
sesuai pada bab 2 point 2.10 tentang RapidMiner.
7. Penerapan metode terpilih
Pada tahap ini dilakukan perancangan untuk membangun sistem
pendukung keputusan pengajuan kredit menggunakan metodeterpilih
berdasarkan hasil evaluasi untuk koperasi karyawan PT.Karyamitra
Budisentosa.Dalam pembuatan pemodelan yang dianjurkan akan
menggunakan UML (Unified Modelling Language) adapun model yang akan
dibangun meliputi antara lain usecase diagram, activity diagram,class
diagram, dan gambaran dari metode terpilih yang akan diterapkan dalam
sistem yang akan dibangun
8. Penulisan laporan
Pada tahap ini dilakukan penulisan laporan selama proses penelitian dan
hasil dari penelitian.
48
(Halaman ini sengaja dikosongkan)
49
BAB IV
PEMBAHASAN
Pada bab ini akan dijelaskan mengenai proses, hasil dan pembahasan
penelitian. Sebagai alat bantu pengolahan data, digunakan software RapidMiner
8.0. Adapun proses, hasil dan pembahasan dibagi dalam beberapa subbab yakni
Pengolahan dan distribusi Data, Implementasi metodepada RapidMiner, Pelatihan,
pengujian, dan Pola hasil, Analisis penggunaan metode T-Test, Perancangan
metode terpilih.
4.1 Pengolahan dan Distribusi Data
Pada tahap pengolahan data dari data mentah menuju dataset yang siap
diolah kedalam machine learningterjadi beberapa tahap preprocessing yang
digunakan antara lain: Data Cleaning, pada tahap ini dilakukan pembersihan
nilai-nilai dalam atribut yang kosong dan menghapus data yang kosong (missing
values dan noisy) data yang dibersihkan mulai dari lampiran 2 hingga 6. Data
Integration, pada tahap ini dilakukan penyatuan data dari tahun ke tahun selama 5
tahun yang berbeda kedalam saturecord data. Data dari lampiran 2 hingga 6
dijadikan satu seperti pada lampiran 7.Data Reduction, meminimalisir jumlah
atribut pada dataset, sehingga hanya beberapa atribut dan data yang diperlukan
dalam melakukan penelitian. Dalam tahap ini juga dilakukan proses penghapusan
data yang terindetifikasi duplikasi dan data debitur yang tidak dapat mengajukan
kredit yang mungkin masih memiliki tanggungan di tahun sebelumnya, sehingga
dimungkinkan tercatat pada pelaporan tahun berjalan. Proses ini dilakukan
terhadap data pada lampiran 7 dan menghasilkan data pada lampiran 8.Data
Conversion, data yang masih memiliki nilai berupa angka harus dikonversi
dengan klasifikasi data dari isi atribut salah satunya besaran uang pinjaman yang
menjadi salah satu kunci variable masukan dari dataset pada lampiran 8 yang
berformat excel yang akan dimasukkan ke machine learning.
Tujuan distribusi data yang akan disajikan dalam bagian ini untuk
memberikan gambaran secara umum mengenai penyebaran data penelitian.
50
Bagian ini memuat prosentase penyebaran data pada setiap variabel
masukan (input) maupun variabel keluaran (output) dalam penelitian. Adapun
yang akan dijelaskan distribusi data untuk variabel berjenis kategorikal dan
numerik.
Variabel masukan (input) yang berupa penyebaran distribusi data
ditampilkan pada Tabel 4.1.
Tabel 4.1Distribusi Data Variabel Masukan
Variabel Nilai Variabel Jumlah Prosentase
Masa_kerja 1-16 Tahun 1=3
2=8
3=12
4=11
5=11
6=15
7=6
8=6
9=8
10=5
11=2
12=5
13=2
14=3
16=2
3,03%
8,08%
12,12%
11,11%
11,11%
15,15%
6,06%
6,06%
8,08%
5,05%
2,02%
5,05%
2,02%
3,03%
2,02%
Status_Karyawan Tetap,Tidak_Tetap Tetap=57
Tidak_Tetap=42
57,57%
42,42%
Golongan_Karyawan A,B,C A=38
B=34
C=27
38,38%
34,34%
27,27%
Uang_Pinjaman Kecil,Sedang,Besar Kecil=22 22,22%
51
Variabel Nilai Variabel Jumlah Prosentase
Sedang=40
Besar=37
40,40%
37,37%
Tanggungan_Uang Ada, Tidak_Ada Ada=46
Tidak_Ada=53
46,46%
53,53%
Tanggungan_Barang Ada, Tidak_Ada Ada=45
Tidak_Ada=54
45,45%
54,54%
Tabel 4.1 memperlihatkan distribusi data pada setiap kategori yang ada
dalam variabel masukan (input) pada data simpan pinjam yang telah
dinormalisasikan sehingga didapat 99 record data masukan. Adapun keterangan
yang didapat adalah sebagai berikut pegawai yang memiliki nilai variabel masa
kerja 1 tahun sebesar 3,03%, masa kerja 2 tahun 8,08%,masa kerja 3 tahun
12,12%, masa kerja 4 dan 5 tahun 11,11 %, masa kerja 6 tahun 15,15%, masa
kerja 7 dan 8 tahun 6,06%, masa kerja 9 tahun 8,08%, masa kerja 10 tahun 5,05%,
masa kerja 11 tahun 2,02%, masa kerja 12 tahun 5,05%, masa kerja 13 tahun
2,02%, masa kerja 14 tahun 3,03%, masa kerja 15 tahun 0% atau tidak ada, masa
kerja 16 tahun 2,02 %. Sehingga dari segi atribut masa kerja disimpulkan bahwa
pegawai dengan masa kerja 6 tahun memiliki data pinjaman lebih banyak yaitu
15,15%.Dari segi nilai variabel status kepegawaian ada 2 keterangan yaitu
pegawai tetap sebesar 57,57%, pegawai tidak tetap 42,42%. Sehingga dari segi
nilai variabel status kepegawaian disimpulkan bahwa pegawai dengan status
pegawai tetap memiliki data pinjaman lebih banyak yaitu 57,57% meskipun data
ini terbilang cukup merata. Dari nilai variabel golongan pegawai ada 3 yaitu
golongan A dengan 38,38%,golongan B 34,34%, golongan C 27,27%. Dari nilai
variabel besaran peminjaman uang ada tiga yaitu kecil sebesar 22,22%, sedang
40,40%, besar 37,37%. Menurut nilai variabel golongan pegawai didapat bahwa
pegawai dengan golongan A menempati data terbanyak dalam data pinjaman. Dari
variabel status kepemilikan tanggungan uang yaitu yang memiliki tanggungan
sebesar 46,46%, yang tidak memiliki tanggungan uang sebesar 53,53%. Menurut
variabel kepemilikan tanggungan uang didapat bahwa pegawai yang tidak
52
memiliki tanggungan uang lebih banyak diberikan pinjaman terbukti dengan
sebaran data sebesar 53,53%. Dari nilai variabel tanggungan barang yang
memiliki tanggungan barang sebesar 45,45% yang tidak memiliki tanggungan
barang sebesar 54,54%. Menurut nilai variabel kepemilikan tanggungan barang
didapat bahwa pegawai yang tidak memiliki tanggungan barang lebih banyak
diberikan pinjaman terbukti dengan sebaran data sebesar 54,54%.
4.2 Implementasi C4.5 dan Naïve Bayespada RapidMiner
Pada bagian ini akan dipaparkan mengenai implementasi dari metode yang
akan dibandingkan yaitu C4.5 dan Naïve Bayesmenggunakan Software
RapidMiner 8.0 untuk mendapatkan analisa klasifikasikredit macet sesuai dengan
tujuan penelitian. Penggunaan RapidMiner 8.0 dirasa sangat tepat digunakan
karena software ini dirancang khusus untuk melakukan perhitungan matematis
terkomputasi dan memberi solusi atas perhitungan matematismetode C4.5
danNaïve Bayes yang rumit dapat diimplementasikan dalam program dengan lebih
mudah sehingga proses perhitungan dan analisa hasilnya lebih mudah. Proses
dalam Dataminingsecara umum digambarkan pada gambar 4.1
Gambar 4.1Gambaran umum proses pengolahan Data mining
Penjelasan proses pengolahan Datamining, secara umum dapat
digambarkan pada gambar 4.1, gambar tersebut diterapkan pada
SoftwareRapidMiner 8.0 yang sudah memiliki library program perhitungan yang
lengkap, termasuk juga untuk metode C4.5 dan Naïve Bayes. Dalam penelitian ini,
53
terdapat empat function utama yang digunakan untuk membangun pemodelan
analisa klasifikasikredit macet. Empat function tersebut sudah tersedia dalam
library RapidMiner 8.0, antara lain Read Excel, Multiply, Validation dan T-
Testyang digambarkan pada gambar 4.2.
Gambar 4.2Gambaran proses pengolahan data di RapidMiner 8.0
FungsiOperator Read Excel digunakan untuk meng-import, mengatur tipe data
sertamembaca data training pinjaman karyawan yang telah melalui tahap data
Pre-Processing, Operator multiply melakukan prosesmengambil Objek
RapidMiner dari port input yaitu read excel dan mengirimkan salinannya ke port
output. Setiap port yang terhubung membuat salinan independen. Jadi mengubah
satu salinan tidak berpengaruh pada salinan lainnya yang kemudian dikirimkan ke
Operatorvalidation, dalam proses validation mewakili pengolahan data dengan
metode C4.5 sedangkan dalam proses validation (2) terjadi pemrosesan data
dengan metode Naïve Bayes proses training dan testingjuga terjadi
dalamvalidation dan validation (2) untuk memberikan indeks random terhadap
data yang digunakan dalam penelitian. Pemberian indeks disesuaikan dengan
jumlah k-fold yang diinginkan.Kemudian dilakukan T-Testoperatoryang berfungsi
sebagai pembandingkinerja vektor. Operator ini melakukan T-Test untuk
menentukan probabilitas hipotesis nol.Dalam T-Test dilakukan perhitungan
Matrix Confusion sehingga didapatkan grafik ROC dari masing-masing
54
validationyang didalamnya terkandung penilaian Accuracy, Precision, Recall, dan
AUC(Area Under Curve).
Adapun urutan tahapan yang terjadi pada RapidMiner 8.0 digambarkan pada
gambar 4.3 berikut
Gambar 4.3Urutan proses pengolahan data di RapidMiner 8.0
4.3 Pelatihan, pengujian dan hasil pola
Pelatihan dan pengujian model dibagi menjadi beberapa skenario utama.
Masing-masing skenario memiliki tujuan yang berbeda dalam mengukur kinerja
metode yang digunakan. Pengujian model klasifikasi menggunakan teknik 5-
foldcrossvalidation, artinya 99 datarecord dibagi menjadi 5fold (bagian).
Kombinasi 4fold yang berbeda digabung dan digunakan sebagai data training, 1
fold sisa digunakan sebagai data testing. Pengujian menggunakan 5-
foldcrossvalidationdirasa cukup baik karena jumlah record data yang diperoleh
setelah pre-processing data dirasa cukup sedikit. Perlu diketahui bahwa
penggunaan 1-fold pada metode C45 dan Naïve Bayes dalam RapidMiner 8.0
tidak dapat digunakan, karena dalam skenario uji menggunakan k-fold pada
RapidMiner 8.0 harus menyisakan 1-fold sebagai data testing.
Pada bagian ini dipaparkan hasil uji coba setiap skenario untuk melihat
performansi metode C45 dan Naïve Bayesdalam analisa klasifikasi kredit macet
55
dan lunas pada Koperasi Karyawan PT. Karyamitra Budisentosa untuk
memberikan prediksi kelayakan memperoleh pinjaman berdasar kategori
karyawan yang mengajukan pinjaman. Performansi prediksi diukur berdasarkan
hasil perhitungan akurasi, presisi,recall, dan AUC melalui confusion matriks yang
sudah dijelaskan sebelumnya. Dalam penelitian ini melibatkan pengujian
performansi berdasar jenis sampling yang terdiri dari: linear sampling, shuffled
sampling, stratified sampling, dan automatic, adapun tujuan dari penggunaan
berbagai jenis sampling ini adalah untuk meyakinkan hasil performansi dari
masing-masing metode, sehingga dapat diketahui metode terbaik dari berbagai
skenario uji. Untuk mengetahui nilai pengujian terbaik maka harus menggunakan
nilai AUC sebagai nilai kunci untuk mengetahui nilai uji diagnostik terbaik secara
umum.
1. Linear sampling
Pengambilan sampel linier cukup membagi dataset menjadi 5 partisi
dengan 1 partisi uji tanpa mengubah urutan.Berikut ini adalah tabel rekap dari
hasil dari skenario uji yang telah dilakukan.
Tabel 4.2Hasil Prosesntase Uji Performa Linear Sampling
Berdasarkan tabel 4.2 dapat diketahui bahwa nilai rata-rata akurasi, presisi,
recall dan AUC dari C4.5 masing-masing adalah 77,78%, 79,96%, 65,11%,
0,803. Sedangkan Naïve Bayes sebesar 76,26%, 74,72%, 68,60%, 0,819.
Berdasarkan nilai akurasi dan presisi C4.5 memiliki nilai lebih baik namun
berdasarkan recall dan AUC Naïve Bayes lebih baik.
56
2. Shuffled sampling
Pengambilan sampel acak membentuk subset acak dari dataset.Sesuai
dengan nilai k-fold,dalam penelitian ini menggunakan 5-fold, berikut ini
adalah tabel rekap dari hasil dari skenario uji yang telah dilakukan.
Tabel 4.3Hasil Prosentase Uji Performa Shuffled Sampling
Berdasarkan tabel 4.3 dapat diketahui bahwa nilai rata-rata akurasi,
presisi, recall dan AUC dari C4.5 masing-masing adalah 77,27%, 79,25%,
65,11%, 0,779. Sedangkan Naïve Bayes sebesar 80,30%, 78,94%, 75,58%,
0,896 . Berdasarkan nilai akurasi, recall dan AUCNaïve Bayes memiliki nilai
lebih baik namun berdasarkan presisiC4.5 lebih baik.
3. Stratified sampling
Samplingdengan caramembangun himpunan bagian acak dan memastikan
bahwa distribusi kelas di subset sama dengan keseluruhan dataset. Sehingga
setiap subset mengandung kira-kira proporsi yang sama dari dua nilai label
kelas.Sesuai jumlah k-fold yang diinputkan dalam penelitian ini menggunakan
5-fold tes berikut ini adalah table rekap dari hasil dari skenario uji yang telah
dilakukan.
Tabel 4.4Hasil Prosentase Uji PerformaStratified Sampling
57
Berdasarkan tabel 4.4 dapat diketahui bahwa nilai rata-rata akurasi,
presisi, recall dan AUC dari C4.5 masing-masing adalah 80,55%, 82,73%,
69,76%, 0,781. Sedangkan Naïve Bayes sebesar 78,79%, 78,79%, 70,35%,
0,875 . Berdasarkan nilai akurasi dan presisi C4.5 memiliki nilai lebih baik
namun berdasarkan recall dan AUCNaïve Bayes lebih baik.
4. Automatic
Menggunakan stratified sampling jika labelnya nominal, atau dikocok
samplingnya jika labelnya selain nominal, namun split dataset-nya tetap
menggunakan jumlah k-fold yang ditetapkan dalam penelitian, yaitu 5-
fold.Berikut ini adalah tabel rekap dari hasil dari skenario uji yang telah
dilakukan.
Tabel 4.5Hasil Prosentase Uji PerformaAutomaticSampling
Berdasarkan tabel 4.5 dapat diketahui nilai rata-rata akurasi, presisi,
recall dan AUC dari C4.5 masing-masing adalah 80,57%, 82,73%, 69,76%,
0,781. Sedangkan Naïve Bayes sebesar 78,79%, 78,79%, 70,35%, 0,875.
Berdasarkan nilai akurasi dan presisi C4.5 memiliki nilai lebih baik namun
berdasarkan recall dan AUCNaïve Bayes lebih baik.
Untuk memudahkan dalam menganalisa hasil uji 5-foldsterhadap masing-
masing metode dengan 4 samplingyang ditunjukan berdasarkan table 4.2 hingga
4.5 maka dapat dijadikan grafik seperti gambar 4.4 yang mewakili representasi
dari metode C4.5 dan 4.5 yang merupakan representasi dari skenario uji terhadap
metode Naïve Bayes. Dan gambar 4.6 merepresentasikan hasil analisa AUC antara
metode C4.5 dan Naïve Bayes dari masing-masing skenario uji
58
Gambar 4.4Grafik Nilai Rata-rata Hasil Uji Metode C4.5
Grafik pada Gambar 4.4menampilkan hasil uji coba performansi
penggunaan C4.5pada analisa klasifikasi kredit macet dan lunas. Adapun dari
hasil tersebut, performa akurasi, presisi maupun recall tampak metodeC4.5
menghasilkan performa yang lebih baik, dimana nilai rata-rata dari masing-
masing sampling terhadap nilai akurasi, presisi dan recall adalah 79,04%,
81,16%, 67,43%.
Gambar 4.5Grafik Nilai Rata-rata Hasil Uji Metode Naïve Bayes
59
Gambar 4.5 menampilkan grafik hasil uji coba performansi penggunaan
Naïve Bayes pada analisa klasifikasi kredit macet dan lunas. Hasil tersebut adalah
nilai rata-rataakurasi, presisi dan recall dari masing-masing sampling adalah
78,53%, 77,86%, 71,22%. Berdasarkan Gambar 4.4 dan 4.5 diketahui bahwa C4.5
merupakan metode terbaik berdasar tingkat akurasi dan presisi.
Seperti yang dituliskan dalam bab 2 point 2.9, AUC (the area under curve)
dihitung untuk mengukur perbedaan performansi metode yang digunakan.
Adapun grafik ROCadalah grafik antara sensitifitas (true positive rate) pada
sumbu Y dengan 1-spesifisitas padasumbu X (false positive rate), seakan-akan
menggambarkan tawar menawar antara sensitivitas dan spesifitas, Grafik
ROCdigunakan Untuk menilai keakurat dan kualitas dari beberapa uji diagnosa
metode dengan tingkatan tertentu
Nilai AUC diinterpertasikan sebagai rata-rata sensitifitas untuk semua nilai
spesifitas (akurasi, presisi, recall) yang mungkin. Nilai AUC dipakai untuk
mengukur uji diagnostik secara umum. (Rosely, 2015)
Adapun grafik dari nilai rata-rata uji AUCdengan model pengujian 5 –fold
Cross Validation dengan 4 model sampling direpresentasikan pada gambar 4.6
berikut
Gambar 4.6Nilai rata-rata AUC dari metode C4.5 dan NaïveBayes
60
Berdasarkan gambar 4.6 dapat diketahui bahwa nilai rata-rata AUC dari
masing-masing metode terhadap skenario uji sampling adalah 0,786 untuk metode
C4.5 dan 0,866 untuk metode Naive Bayes.
Sehingga dapat disimpulkan bahwa nilai AUC yang terbaik dapat
dijadikan sebagai penentu dari pemilihan metode atau algoritma yang dipilih
untuk dijadikan masukan dalam pembangunan sistem pendukung keputusan
dalam menentukan kelayakan pengajuan kredit pada Koperasi Karyawan PT.
Karyamitra Budisentosa. Dimana berdasarkan skenario penelitian yang telah
dibangun menyatakan bahwa Naïve Bayes adalah metode terbaik dengan nilai
AUC rata-rata dari skenario uji sampling sebesar 0,866 (good classification) dari
pada metode C4.5 dengan nilai AUC rata-rata sebesar 0,786 (fair classification)
berdasar skenario uji ke-4sampling dari 2-fold hingga 5-fold.
Setelah proses pengolahan data yang terjadi dalam RapidMiner 8.0 dengan
berbagai skenario dihasilkan juga pola atau model dari metode C4.5 dan Naïve
Bayesterhadap data training pinjaman karyawan dengan skenario uji linear
sampling, skenario uji linear samplingdirasa adalah yang terbaik karena nilai
AUC dari metode C4.5 dan Naïve Bayes hampir berimbang meskipun Naïve
Bayes masih menunjukan keunggulannya berdasarkan pada gambar 4.6 di atas.
Berikut ini adalah hasil pohon keputusan (Tree) untuk metode x-
Validation C4.5 dan Simpel Distribution untuk metode x-Validation Naïve Bayes
dengan skenario uji 5-fold dan Shuffled sampling dapat ditunjukan seperti gambar
4.7 dan 4.8 berikut.
61
Gambar 4.7Hasil pohon keputusan dari RapidMiner8.0
Dari gambar 4.7 didapati bahwa node akar adalah uang pinjaman, uang
pinjaman besar lebih beresiko mengalami kredit macet, sedangkan uang pinjaman
kecil cenderung lunas, sedangkan untuk uang pinjaman sedang harus dikaji ulang
dengan melihat node kedua yaitu keberadaan tanggungan uang, jika pegawai ingin
meminjam uang range sedang maka dilihat kembali apakah pegawai tersebut
memiliki tanggungan uang jika memiliki tanggungan uang maka node penentunya
adalah masa kerja, pegawai dengan masa kerja kurang dari sama dengan 3 tahun
cenderung lunas dalam meminjam.
Namun hal itu belum bisa dijadikan patokan, karena pegawai dengan masa
kerja lebih dari 3 tahun juga cenderung banyak mengalami kredit macet, kembali
kenode ke-2 yaitu keberadaan tanggungan uang, jika pegawai ingin meminjam
uang range sedang dan status tanggungan uangnya tidak ada maka harus dilihat
node ke tiga yaitu masa kerja, pegawai dengan masa kerja lebih dari 8,5 tahun
cenderung lunas dalam meminjam.
Namun pegawai dengan masa kerja kurang dari sama dengan 8,5 tahun,
maka harus melihat node ke-4 yaitu tanggungan barang jika pegawai ingin
meminjam uang range sedang dan status tanggungan uangnya tidak ada dengan
62
masa kerja kurang dari sama dengan 8,5 tahun sedangkan pegawai tersebut
memiliki tanggungan barang maka diprediksi akan mengalami kredit macet,
namun jika tidak memiliki tanggungan barang maka node terakhir adalah
golongan karyawan, berdasarkan data testing karyawan dengan golongan A
minim dalam mengalami kredit macet sehingga lebih sering disetujui dalam
pengajuan kredit, sedangkan untuk golongan lain berlaku jika pegawai ingin
meminjam uang range sedang dan status tanggungan uangnya tidak ada dengan
masa kerja kurang dari sama dengan 8,5 tahun dan tidak memiliki tanggungan
barang maka harus melihat golongan, golongan C cenderung lunas dalam
meminjam sedangkan B belum tentu. Maka dapat disimpulkan bahwa pegawai
yang dapat mengajukan pinjaman harus: range pinjaman kecil-sedang, tidak
memiliki tanggungan uang, masa kerja kurang dari sama dengan 8,5 tahun, tidak
memiliki tanggungan uang dan barang serta memiliki golongan karyawan A-B,
dapat mengajukan pinjaman
Untuk gambaran Simple Distribution dari metode Naïve Bayes dapat dilihat
pada gambar 4.8 berikut.
Gambar 4.8Hasil simple distribution dari RapidMiner8.0
Berdasarkan gambar 4.8 dan simple distribution antar atribut terhadap
threshold yang dihasilkan RapidMiner didapat bahwa pegawai dengan masa kerja
lebih dari sama dengan 7,5 tahun, Status karyawan Tetap, golongan karyawan A-
B, kategori pinjaman kecil-sedang, dan tidak memiliki tanggungan uang dan
barang maka pegawai tersebut diprediksi lancar dan dapat mengajukan pinjaman.
63
4.4 Analisa T-Test
Setelah diketahui hasil pola dari pembelajaran menggunakan metode C4.5
dan Naïve Bayesterhadap data training pinjaman karyawan pada RapidMiner 8.0,
kemudian T-Test (Paired-sample t-Test) dilakukanuntuk peninjauan kembali
terhadap perbandingan metode C4.5 dan Naïve Bayes dimana ke-2 metode ini
telah mendapatkan treatment dengan hasil good classification (nilai AUC C4.5
sebesar 0,803 dan Naïve Bayes sebesar 0,819 merujuk pada gambar 4.6 pada salah
satu variable rata-rata uji yaitu linear sampling) sehingga melalui T-Test (Paired-
sample t-Test) dapat diketahui grafik ROC dari masing-masing metode, seperti
pada tabel 4.6 dan 4.7 untuk nilai Accuracy, Precission, Recall serta gambar 4.9
dan 4.10 untuk grafik ROC dari masing-masing validationmetode.
Tabel 4.6x-Validation untuk C4.5 skenario uji 5-fold linear sampling
Accuracy= 77,78% True Kredit_macet True Lunas Class Precision
Pred. Kredit_macet 46 12 79,31%
Pred. Lunas 10 31 75,61%
Class Recall 82,14% 72,09%
Hasil pengolahan ROC untuk metode C4.5 adalah 0,776 yang dapat
dilihat pada gambar 4.9 dengan diagnosa poor classification.
Gambar 4.9Hasil ROC dari C4.5 yang dihasilkan oleh RapidMiner 8.0skenario uji 5-fold linear
sampling
64
Tabel 4.7x-Validation untukNaïve Bayesskenario uji 5-fold linear sampling
Accuracy= 80,81% True Kred_macet True Lunas Class Precision
Pred. Kred_macet 44 11 80,00%
Pred. Lunas 12 32 72,73%
Class Recall 78,57% 74,42%
Hasil pengolahan ROC untuk metode Naïve Bayes dengan nilai AUC
sebesar 0,840 yang dapat dilihat pada gambar 4.10 dengan diagnosa poor
classification.
Gambar 4.10Hasil ROC dari Naïve Bayes yang dihasilkan oleh RapidMiner 8.0skenario uji 5-fold
linear sampling
Kinerja (tingkat akurasi, presisi, recall dan AUC) model yang dihasilkan
oleh dua metode yang digunakan yaitu metode C4.5 dan metode Naïve Bayes
dalam mengklasifikasikan data pinjaman, dijelaskan dalam tabel 4.8 berikut ini.
Tabel 4.8Perbandingan nilai akurasi, presisi, recall dan AUC metode C4.5 dan Naïve Bayes
Metode (Algoritma) Akurasi Presisi Recall AUC
C4.5 74,75% 76,47% 60,47% 0,776
Naïve Bayes 76,77% 72,73% 74,42% 0,840
65
Dari tabel 4.8 dapat diketahui bahwa nilai akurasi, recall, AUC tertinggi
ditunjukkan oleh metode Naïve Bayes dengan nilai 76,77%, 74,42% dan 0,840.
Sedangkan untuk nilai presisi tertinggi ditunjukkan oleh metode C4.5 dengan
76,47%, dari table 4.8 direpresentasikan menjadi grafik pada gambar 4.11 berikut
Gambar 4.11Grafik Perbandingan Uji Performansi Skenario 5-Fold Linear Sampling
Grafik pada Gambar 4.11 menampilkan hasil uji coba perbandingan
performansi penggunaan C4.5 dan Naïve Bayes pada klasifikasi data training
pinjaman karyawandengan skenario 5-Fold Linear Sampling. Adapun dari hasil
tersebut, performa akurasi, presisi, recall maupun AUC, nilai AUC dari table 4.8
dikalikan 100%, sehinggatampak metode Naïve Bayes menghasilkan performa
yang lebih baik. Nilai akurasi, presisi, dan Recall dari penggunaan metode Naïve
Bayes masing-masing bernilai 76,77%,72,73%, dan 60,47% dengan AUC
0,776=77,6%. Untuk metodeC4.5 Nilai akurasi, presisi, dan Recalladalah 76,77%,
72,73%, 74,42% dengan AUC 0,840= 84,0%, klasifikasi data trainingdan testing
pinjaman karyawanmenggunakan metode Naïve Bayes memiliki performa yang
lebih baik dibandingkan dengan prediksi kinerja yang menggunakan metode C4.5
dengan memperhatikan nilai AUC sebagai nilai kunci untuk mengetahui nilai uji
diagnostik terbaik secara umum agar meminimalisir resiko terjadinya kredit
macet dikemudian hari.
66
Meskipun pada dasarnya koperasi bertujuan mensejahterakan anggotanya,
namun perlu dijadikan pertimbangan bahwa keberlanjutan organisasi kedepannya
tidak boleh terhalang oleh resiko lain, karena dalam berorganisasi, kepentingan
organisasi seharusnya lebih tinggi dari kepentingan pribadi.Lain halnya jika
memperhatikan nilai presisi secara lebih, karena jika nilai presisi diperhatikan
lebih banyak dapat memperlebar tingkat saringan sehingga dapat memperbesar
resiko terjadinnya kredit macet dikemudian hari.
4.5 Perancangan Metode Terpilih
Berdasar metode terpilih yaitu Naïve Bayes dimana nilai rata-rata uji
sampling sebesar 0,866, maka dilanjutkan dengan pemodelan yang dianjurkan
untuk membangun sistem pendukung keputusan klasifikasi resiko pengajuan
kredit menggunakan metode Naïve Bayes untuk koperasi karyawan
PT.Karyamitra Budisentosa. Dalam pembuatan pemodelan yang
dianjurkanmenggunakan UML (Unified Modelling Language),model yang akan
dibangun meliputi antara lain usecase diagram, activity diagram,class diagram,
dan model metode Naïve Bayesserta mitigasi pemohon dalam sistem yang akan
dibangun.
1. Usecase Diagram
Usecase diagram yang digunakan dalam perancangan sistem
pendukung keputusan pemberian pinjaman di Koperasi Karyawan PT.
Karyamitra Budisentosa ini dapat dilihat pada Gambar 4.12. berikut.
67
Gambar 4.12Usecase Diagram
Darigambar 4.12 petugas dapat melakukan input data training,
semakin banyak data trainingyang dimiliki sistem maka sistem akan semakin
baik dalam memprediksi kelayakan pengajuan pinjaman, karena lebih banyak
pola-pola dari keadaan kredit yang macet dan lunas yang dapat dipelajari dan
disimpan oleh sistem, pemrosesan data trainingdibagi menjadi dua yaitu
pemrosesan data yang bersifat kategori dan numerik. Petugas juga
menginputkan data testinguntuk memprediksi kelayakan karyawan dalam
keputusan dapat tidaknya diberikan pinjaman. Sedangkan pemrosesan output
yang berupa hasil prediksi keputusan layak dan tidaknya data testing
pengajuan kredit dari karyawan PT. Karyamitra Budisentosa dilakukan oleh
sistem dengan dibantu metode Naïve Bayes yang include dengan sistem.
2. Activity Diagram Training
Sistem yang nantinya akan diajukan memiliki beberapa tahap yaitu,
petugas harus melakukan verifikasi dan validasi terlebih dahulu.Sebelum
melakukan penambahan data training, jika petugas berhasil melakukan
proses verifikasi dan validasi maka akan tampil halaman admin, kemudian
petugas menginputkan data training dengan lengkap dan benar ke sistem, jika
data training yang diinputkan benar maka sistem akan memprosesnya, jika
tidak maka sistem akan mengembalikan ke halaman input data training,
pemrosesan data training terbagi dalam dua bagian yaitu pemrosesan data
68
training yang bersifat numerik dan kategori, setelah itu sistem akan
menyimpan data training dan menampilkan jumlah data training yang telah
dimiliki sistem.Activity diagram trainingsecara umum dapat dilihat pada
Gambar 4.13. pada halaman selanjutnya.
Gambar 4.13Activity Diagram Training
3. Activity Diagram Testing
Activity diagram testingini merupakan gambaran dari sistem
melakukan proses testingterhadap data yang diinputkan. Adapun tahapnya
adalah petugas harus melakukan verifikasi dan validasi terlebih dahulu
sebelum melakukan penambahan data testing, jika petugas berhasil melakukan
Petugas Sistem
input username & password terima username & password
input data training tampil form admin
terima data training
proses data training
proses data numerik proses data kategori
hasil
username & password salah
username & password benar
data input salah
data input benar
69
proses verifikasi dan validasi maka akan tampil halaman admin, kemudian
petugas menginputkan data testing dengan lengkap dan benar ke sistem, jika
data testingyang diinputkan benar maka sistem akan memprosesnya,
jika tidak maka sistem akan mengembalikan ke halaman input data testing
Adapun perancangan Activity diagram testing.Proses tersebut dapat
digambarkan pada Gambar 4.14.
Gambar 4.14Activity Diagram Testing
Sistem yang dibangun diharapkan mampu memproses data testing
menggunakan metode Naïve Bayes setelah selesai sistem akan menampilkan
hasil prediksi yang berupa kelayakan dari data yang diinputkan dalam hal ini
70
dapat dijelaskan bahwa debitur tersebut dapat meminjam atau tidak dapat
meminjam dengan berbagai penyebabnya.
4. Activity Diagram Naïve Bayes
Activity Diagram Naïve Bayes merupakan gambaran dari keseluruhan
proses yang dilakukan oleh metode Naïve Bayes. Sebagai gambaran umum
dapat dilihat pada gambar 4.15 berikut
Gambar 4.15Model metode Naïve Bayes
Proses ini meliputi dari awal perhitungan yang dilakukan ketika
proses trainingdata hingga proses prediksi data yang baru (data testing). Jika
data berupa data kategori, maka dapat langsung dihitung probabilitas
awalnya. Jika data berupa numerik maka akan dihitung terlebih dahulu mean,
standar deviasi dan variansi dari tiap parameter data numerik. Setelah semua
71
data dihitung nilai mean, standar deviasi dan variansi, selanjutnya akan
dihitung nilai probabilitas awal menggunakan rumus distribusi
Gaussian.Mulai identifikasi sampel dari data set. selanjutnya P(Xi|Ci)
menghitung jumlah class dari klasifikasi yang sudah terbentuk yaitu class
Kredit Lunas dan Kredit Macet untuk setiap class. Kemudian P(X|Ci)
menghitung jumlah kasus yang sama dari kelas yang sama X, dalam kasus
dataset pada penelitian ini terdiri dari 2 class yaitu debitur dengan kelas
kredit lunas yang dinyatakan dengan simbul (+) dan debitur dengan kelas
kredit macet yang dinyatakan dengan simbul (-).Kemudian hitung
( | ), = +, untuk setiap kelas atau atribut. Setelah itu dibandingkan,
jika ( | ) ( | )maka kesimpulannya adalah atau pada penelitian
ini berarti kredit Lancar. Jika ( | ) ( | ) maka kesimpulannya
atau kredit Macet.Adapun Activity diagram yang diimplementasikan dalam
sistem yang akan diajukan kepada pihak Koperasi Karyawan PT. Karyamitra
Budisentosa, dapat dilihat pada Gambar 4.16.
72
Gambar 4.16Activity Diagram Naïve Bayes
5. Class Diagram
Implementasi aplikasi ini menggunakan class diagram seperti tampak
pada Gambar 4.17.
73
Gambar 4.17ClassDiagram
Gambar 4.17 merupakan model statis yang menggambarkan struktur
dan deskripsi class serta hubungannya antara class, adapun class-class-nya
adalah menu utama, dimana dalam menu utama menampilkan tentang versi
dan hak cipta aplikasi, kemudian menu login, dalam class login terdapat
inputan username dan password untuk melakukan verifikasi dan validasi, jika
proses verifikasi dan validasi bernilai benar maka akan menampilkan class
menu pilih data, dimana dalam menu tersebut terdapat dua aktifitas yaitu data
training dan data testing, jika dipilih salah satu maka akan menampilkan class
berikutnya yaitu input data training dan
inputdatatestingyangterdiridariatributno,masa_kerja,
golongan_karyawan,uang_pinjaman,tanggungan_uang,tanggungan_barang,
keterangan untuk data training. Sedangkan untuk menu input data testing
terdiri dari atribut no, masa_kerja, golongan_karyawan, uang_pinjaman,
tanggungan_uang, tanggungan_barang dengan aktifitas menambah,
menghapus, merubah dan me-reset, training atautesting,kembali ke class
menu pilih data, dan keluar dari aplikasi.
6. Mitigasi kreteria pengajuan kredit
class diagram SPK KOPKAR PT.Karyamitra Budisentosa
tentang_aplikasi
+tampil_tentang_app
menu_utama
+login_admin+tentang
+tampil_tentang_app()+keluar()
login
+username+password
menu_pilih _data
+data_training+data_testing
+tampil_input_data_training()+tampil_input_data_testing()+keluar()
input_data_training
+no+masa_kerja+golongan_karyawan+uang_pinjaman+tanggungan_uang+tanggungan_barang+keterangan
+simpan()+ubah()+hapus()+reset()+training()+kembali()+keluar()
input_data_testing
+no+masa_kerja+golongan_karyawan+uang_pinjaman+tanggungan_uang+tanggungan_barang
+simpan()+hapus()+reset()+testing()+kembali()+keluar()
74
Kemampuan sistem yang dibangun dapat memberikan mitigasi kepada
manajemen Koperasi Karyawan PT. Karyamitra Budisentosa tentang kreteria
pemohon yang mengajukan kredit pada koperasi tersebut, adapun kreteria
pemohon dalam mengajukan kredit dibagi 3 yaitu prima, hati-hati dan risiko
dikarenakan kondisi dari prediksi Naïve bayes dalam kategori(good
classification)berdasarkan nilai rata-rata Cross Validation 5-foldsamplingyaitu
sebesar 0,866 atau 86,6% yang berarti ada 13,4% ketidak akuratan dari
prediksi yang dihasilkan sehingga dirasa perlu diberikan mitigasi kategori
pemohon, untuk menangani hal tersebut. Pada tabel 4.9 menunjukan
penentuan kategori pemohon untuk memudahkan manajemen dalam
menentukan kategori pemohon.
Tabel 4.9Penentuan kategori pemohon kredit
No Jenis Data Kreteria Pemohon
Prima Hati-hati Risiko
1 Masa kerja >5 tahun 3-5 tahun <3 tahun
2 Status karyawan Tetap Tetap-tidak
tetap
Tidak tetap
3 Golongan karyawan A A-B C
4 Uang pinjaman Kecil Sedang-besar Besar
5 Tanggungan uang Tidak ada Tidak ada -
ada
Ada
6 Tanggungan barang Tidak ada Tidak ada -
ada
Ada
75
BAB V
PENUTUP
Bab ini menguraikan beberapa hal yang menyatakan kesimpulan dari
penelitian uji komparasi performansi metode C45 dan Naïve Bayesdalam analisa
klasifikasi kredit macet dan lunas pada Koperasi Karyawan PT.Karyamitra
Budisentosa untuk memberikan prediksi kelayakan memperoleh pinjaman yang
dibuat setelah dilakukan pengujian dan analisa. Adapun terdapat saran-saran yang
mendukung dalam upaya untuk lebih menyempurnakan penelitian-penelitian ke
depannya.
5.1 Kesimpulan
Berdasarkan hasil penelitian yang telah dilakukan maka dapat diambil
beberapa kesimpulan, antara lain:
1. Nilai akurasi, presisi dan recall dari perbandingan metode C4.5 dan Naïve
Bayes yang dihitung menggunakanCross Validation dengannilai rata-rata
5-foldsampling menghasilkan nilai akurasi: 79,04%, presisi: 81,16%,
recall: 67,43%; sedangkan untuk metodeNaïve Bayes: akurasi: 78,53%,
presisi: 77,86%, recall: 71,22%. Dari nilai rata-rata uji Cross Validation
5-foldsampling tersebut dapat dilihat bahwa metode C4.5 memiliki
tingkat keakurasian dan kepresisian lebih tinggi dibanding metode Naïve
Bayes namun dari segi recall Naïve Bayes lebih unggul.
2. Metode terbaik berdasarkan nilai AUC (Area Under Curve) adalah Naïve
Bayes yang bernilai sebesar 0,866 (good classification) berdasarkan nilai
rata-rata Cross Validation 5-foldsamplingsedangkan metode C4.5 sebesar
0,786 (fair classification). Sehingga direkomendasikan kepada pihak
Koperasi Karyawan PT. Karyamitra Budisentosa untuk membangun
sebuah sistem informasi untuk memprediksi kelayakan pengajuan kredit
menerapkan metode Naïve Bayes dengan model dasar yang telah
diusulkan seperti pada bab 4 point 4.5.
76
5.2 Saran
Adapun saran yang ingin disampaikan untuk pengembangan lebih
lanjut dari penelitian ini antara lain:
1. Perlu dilakukan penelitian lebih lanjut mengenai metode pemilihan
variabel prediktor yang lebih detail dan signifikan, serta penentuan
parameter Naïve Bayes yang paling optimal.
2. Klasifikasi menggunakan metode Naïve Bayes yang sudah memiliki
hasil baik perlu dikombinasikan dengan penggunaan Adaboost,
Fuzzy, KNN untuk mendapatkan hasil implementasi yang lebih
maksimal.
77
DAFTAR PUSTAKA
Aprilla, Dennis & Aji Baskoro, Donny & Lia Ambarwati, & Simri, I
Wayan.Wicaksana.(2012). Belajar Data Mining dengan RapidMiner.
Jakarta: Gramdia Pustaka Utama.
Dhika, Harry. 2015. Kajian Komparasi Penerapan Algoritma C4.5, Naïve Bayes,
dan Neural Network dalam Pemilihan Mitra Kerja Penyedia Jasa
Transportasi: Studi Kasus CV. Viradi Global Pratama. SNIT
Ellias, Abat. 2010. Perkembangan Koperasi Simpan Pinjam di Indonesia. Andi
offset. Yogyakarta
Han, J., & Kamber, M. (2006).Data Mining Concept and Tehniques. San
Fransisco: Morgan Kauffman.
Hartson, Scott. 2016. Machine Learning with Random Forest and Decision Tree:
A Visual Guide For Beginner. UK
Hendrojogi. 2004. Koperasi : asas-asas teori dan praktek. RajaGrafindo Persada.
Jakarta
Hijriyani.http://hijriyani.web.ugm.ac.id/tag/data-mining/ Diakses Pada 17-12-
2017
Kusrini & Emha Taufiq Luthfi.2009. Algoritma Data Mining.Penerbit Andi
Offset, Yogyakarta.
Listiana, Mila. 2015. Perbandingan Algoritma Decision Tree (C4.5) dan Naïve
Bayes Pada Data Mining Untuk Identifikasi Tumbuh Kembang Anak
Balita (Studi Kasus Puskesmas Kartasura). Surakarta : UMS
Nurhayati,Lilis.http://lecturer.fikom.umi.ac.id/lilis/2016/04/02/sistem-pendukung-
keputusan/(Lilis_Nurhayati) Diakses Pada 17-12-2017
Pramudiono, Iko. 2008. Pengantar Data Mining: Menambang Permata
Pengetahuan di Gunung Data. Andi Offset, Yogyakarta.
Cipta, Putu Gede. 2017. Implementasi Metode C4.5 dan Naive Bayes Berbasis
Adaboost Untuk Memprediksi Kelayakan Pemberian Kredit. Bali: UPG
Quinlan, JR. 1996. Introduction Of Decision Tree. Springer, UK
Riyanto, Bambang. 2001. Dasar-Dasar Pembelanjaan Perusahaan. Andi Offset.
Yogyakarta
Rosely, Ely.2015. Prediksi Nilai Proyek Akhir Mahasiswa menggunakan
Algoritma Klasifikasi Datamining . SESINDO, ITS-Surabaya
Soetrisno, Noer. 2001. Rekonstruksi pemahaman Koperasi: Merajut Kekuatan
Ekonomi Rakyat. Andi Offset. Yogyakarta
78
Turban, E, dkk. 2005. Decision Support Systems and Intelegent Systems.
Yogyakarta : Andi Offset.
Widiyanti, Ninik. 2000. Koperasi dan Perekonomian Indonesia. Bina Aksara.
Jakarta
Supriyanti, Wiwit. 2015. Perbandingan Kinerja Algoritma C4.5 dan Naive Bayes
Untuk Ketepatan Pemilihan Konsentrasi Mahasiswa. Yogyakarta : STMIK
AMIKOM
Xhemali, Daniela, Dkk. 2009. Naïve Bayes VS Decision Tree VS Neural Network
in the classification of Training Web Pages. Univ Loughbrough, UK
Yudiviantho, Agung. 2010. Strategi pendanaan. FE UI, Jakarta
79
LAMPIRAN
Lampiran 1: Struktur Organisasi
KOPERASI KARYAWAN PT. KARYAMITRA BUDI SENTOSA PANDAAN
RAPAT
ANGGOTA
PENGURUS PENGAWAS
BPP
MANAGER
KASIR BENDAHARA
SEKRETARIS
ANGGOTA
Garis wewenang & tanggungjawab
Garis pengawasan
Garis koordinasi
Garis pelayanan
80
(Halaman ini sengaja dikosongkan)
81
Lampiran 2 : Dataset 2013
Dataset Rekapitulasi Pinjaman Karyawan (Tahun 2013)
Koperasi Karyawan PT. Karyamitra Budisentosa
Bagian Pertama
No
mor Nama Karyawan
Masa
Kerja
Status
Karya
wan
Golo
ngan
Karya
wan
Uang
Pinja
man
Tangg
ungan
Uang
Tangg
ungan
Barang
Hasil
Lam
a
Pinja
man
1 Ach. Yusuf
Sidiq 7 Tetap A
Besa
r
Tidak
Ada Ada Dapat
36
2 Achmad
Fauziyan Nur 3
Tidak
tetap B
Seda
ng
Tidak
Ada
Tidak
Ada Dapat
24
3 Achmad Makin
4 Tetap A Besa
r
Tidak
Ada Ada Dapat
36
4 Agung
Kriswanto 4
Tidak
tetap B
Seda
ng Ada
Tidak
Ada
Tidak
dapat 12
5 Agus Setiawan
5 Tetap C Kecil Tidak
Ada Ada Dapat
12
6 Agus Siswanto
14 Tetap B Seda
ng
Tidak
Ada
Tidak
Ada Dapat
24
7 Agustinus Tata
N 12 Tetap A Kecil Ada
Tidak
Ada Dapat
12
8 Ainur Rofiq
3 Tetap C Besa
r Ada Ada
Tidak
dapat 24
9 Ajeng Aprilia
Dhi Cahyanti 12 Tetap B
Seda
ng
Tidak
Ada
Tidak
Ada Dapat
36
10 Ali Hasan
3 Tidak
tetap C
Besa
r
Tidak
Ada Ada Dapat
36
11 Ali Mustofa 6 Tidak B Besa Ada Ada Tidak 36
82
tetap r dapat
12 Alimah
8 Tetap B Seda
ng
Tidak
Ada
Tidak
Ada
Tidak
dapat 12
13 Ananda
3 Tidak
tetap B
Besa
r Ada Ada
Tidak
dapat 36
14 Anang Masyudi
8 Tetap A Seda
ng Ada Ada Dapat
12
15 Anang Wahyudi
8 Tetap C Seda
ng
Tidak
Ada
Tidak
Ada Dapat
24
16 Andi
1 Tidak
tetap A
Besa
r
Tidak
Ada
Tidak
Ada Dapat
36
17 Andri H
5 Tetap A Seda
ng Ada Ada Dapat
12
18 Angger Bayu
Setiabudi 8 Tetap C
Seda
ng
Tidak
Ada Ada Dapat
24
19 Angger Rizki
Septian 10 Tetap A Kecil Ada
Tidak
Ada Dapat
12
20 Anies sugiarti
7 Tidak
tetap A Kecil Ada Ada
Tidak
dapat 12
21 Anisa Alfitiyah
4 Tetap C Seda
ng Ada Ada Dapat
12
22 Antoni Agus
Triawan 3
Tidak
tetap C
Besa
r
Tidak
Ada Ada Dapat
24
23 Bahtiar
8 Tetap C Seda
ng
Tidak
Ada
Tidak
Ada Dapat
24
24 Bandrio
8 Tetap B Seda
ng
Tidak
Ada
Tidak
Ada Dapat
24
25 Bayu Erdy
Mahendra 5
Tidak
tetap A
Besa
r
Tidak
Ada
Tidak
Ada Dapat
36
26 Budiono 1 Tidak A Besa Tidak Tidak Dapat 24
83
tetap r Ada Ada
27 Cahyani 12 Tetap A Kecil Ada Tidak
Ada Dapat
12
28 Cahyono 9 Tetap B Kecil Ada Ada Dapat 12
29 Candra Biantoro
5 Tidak
tetap C Kecil
Tidak
Ada
Tidak
Ada Dapat
12
30 Cece Amrida
3 Tetap A Besa
r Ada Ada
Tidak
dapat 24
31 Chintya
2 Tidak
tetap B Kecil
Tidak
Ada
Tidak
Ada Dapat
24
32 Dandi Dwi
Laksono 5 Tetap B
Seda
ng
Tidak
Ada
Tidak
Ada Dapat
24
33 Danny Cristyan
Andarista 2 Tetap A
Seda
ng Ada Ada
Tidak
dapat 12
34 Dedy Prasetyo
1 Tidak
tetap B
Seda
ng
Tidak
Ada
Tidak
Ada Dapat
24
35 Deni Santoso
1 Tetap C Seda
ng
Tidak
Ada
Tidak
Ada Dapat
24
36 Deri Saputra
2 Tidak
tetap A
Besa
r
Tidak
Ada
Tidak
Ada Dapat
36
37 Dicky Adi
Permana 10 Tetap B
Seda
ng
Tidak
Ada
Tidak
Ada Dapat
24
38 Dinda Aprilia
4 Tidak
tetap A
Besa
r Ada Ada
Tidak
dapat 24
39 Endar Susilo
5 Tetap A Kecil Tidak
Ada
Tidak
Ada Dapat
12
40 Eni Sulistyani
4 Tetap C Seda
ng Ada Ada Dapat
12
41 Fahmi Fadila
5 Tidak
tetap A Kecil Ada
Tidak
Ada Dapat
12
84
42 Fahrul Anam
5 Tetap C Seda
ng Ada Ada Dapat
12
43 Febri Bagus
Saputra 4
Tidak
tetap C
Besa
r
Tidak
Ada Ada Dapat
36
44 Febriana Sintia
Dewi 6 Tetap A
Besa
r
Tidak
Ada
Tidak
Ada Dapat
36
45 Felix Dany
Firmansyah 6
Tidak
tetap B
Besa
r Ada Ada
Tidak
dapat 36
46 Fendi Agung
Nur Admaji 8 Tetap C
Seda
ng
Tidak
Ada Ada Dapat
12
47 Firoh Miati
5 Tidak
tetap A Kecil Ada Ada Dapat
12
48 Fitria Dwi
Indriani 10 Tetap A
Besa
r
Tidak
Ada Ada Dapat
24
49 Fransisca
8 Tetap C Kecil Tidak
Ada
Tidak
Ada Dapat
12
50 Frederick
6 Tetap A Kecil Tidak
Ada Ada Dapat
12
51 Fredy Haryono
2 Tidak
tetap A
Seda
ng
Tidak
Ada Ada Dapat
12
52 Galuh Mitro
Hartono 3
Tidak
tetap B
Besa
r Ada Ada
Tidak
dapat 36
53 Hafid Haydhar
Khilmi 2 Tetap B
Seda
ng
Tidak
Ada
Tidak
Ada Dapat
24
54 Hafidh Nur
Rohmat 5 Tetap C Kecil
Tidak
Ada
Tidak
Ada Dapat
12
55 Hamim Usama
Thohir 8 Tetap B
Seda
ng
Tidak
Ada
Tidak
Ada Dapat
24
56 Ichwanudin
Rohmatulloh 1 Tetap A
Seda
ng Ada Ada
Tidak
dapat 12
85
57 Ifa Hikmawati
3 Tetap C Besa
r Ada
Tidak
Ada
Tidak
dapat 24
58 Ima Dwi Yanti
8 Tetap C Seda
ng
Tidak
Ada
Tidak
Ada Dapat
24
59 Indra Iskandar
1 Tidak
tetap A
Besa
r
Tidak
Ada
Tidak
Ada Dapat
24
60 Irta Devi Rosita
Sari 1
Tidak
tetap B Kecil Ada
Tidak
Ada
Tidak
dapat 24
61 Joko Prasetyo
12 Tetap A Kecil Ada Tidak
Ada Dapat
12
62 Kiki Abrianto
8 Tidak
tetap B
Besa
r Ada Ada Dapat
12
63 Kuncoro Adi
Saputra 12 Tetap A
Seda
ng
Tidak
Ada Ada Dapat
24
64 Lailatul Isnaini
4 Tetap B Seda
ng Ada Ada
Tidak
dapat 24
65 Linawardah
Mauludianah 3 Tetap C
Besa
r Ada
Tidak
Ada
Tidak
dapat 36
66 Lobi
Mardiyansah 1
Tidak
tetap B Kecil Ada Ada Dapat
12
67 Luki
Andriansyah 12
Tidak
tetap C
Besa
r
Tidak
Ada
Tidak
Ada Dapat
24
68
M.Zidan
Degretta
Kusuma
2 Tetap C Seda
ng
Tidak
Ada
Tidak
Ada Dapat
24
69 Mahfud Nur
Kholis 3
Tidak
tetap A
Besa
r
Tidak
Ada
Tidak
Ada Dapat
36
70 Marisa Alqori
7 Tetap A Seda
ng Ada
Tidak
Ada Dapat
24
71 Mega Dwi
5 Tetap A Seda Ada Ada Dapat 24
86
Pratiwi ng
72 Meilia Aura
Feronicha 2
Tidak
tetap B
Besa
r
Tidak
Ada Ada
Tidak
dapat 36
73 Miranda
Fransiska 3
Tidak
tetap A Kecil
Tidak
Ada Ada Dapat
24
74 Mochamad
Alfan 7 Tetap A
Seda
ng Ada Ada Dapat
12
75 Much Taufiqul
Ikrom 4
Tidak
tetap A Kecil Ada Ada Dapat
12
76 Muhammad
Jamal Syaifudin 2
Tidak
tetap B Kecil
Tidak
Ada
Tidak
Ada Dapat
12
77 Muhammad
Zainul Tamami 12 Tetap A
Besa
r
Tidak
Ada Ada Dapat
36
Bagian Kedua
No
mor Tanggal
Pinjam
Tanggal
Selesai
Jumlah
Pinjama
n
Jumlah
Angsuran
Total
Angsura
n
Bung
a 1%
Denda
/ 5%
Keteran
gan
Ala
san
1 12-Jan-
2013
11-Jan-
2016
30.000.
000
1.133.33
3
40.800.
000
300.0
00 Lancar
2 13-Jan-
2013
14-Jan-
2015
15.000.
000
775.000
18.600.
000
150.0
00 Lancar
3 12-Jan-
2013
13-Jan-
2016
25.000.
000
944.444
34.000.
000
250.0
00 Lancar
4 16-Jan-
2012
17-Jan-
2013
15.000.
000
1.400.00
0
16.800.
000
150.0
00
770.00
0
Kredit
Macet
87
5 17-Jan-
2012
18-Jan-
2013
5.000.0
00
466.667
5.600.0
00
50.00
0 Lunas
6 21-Jan-
2013
22-Jan-
2015
12.000.
000
620.000
14.880.
000
120.0
00 Lancar
7 22-Jan-
2013
23-Jan-
2014
5.000.0
00
466.667
5.600.0
00
50.00
0 Lancar
8 3-Feb-
2013
4-Feb-
2015
25.000.
000
1.291.66
7
31.000.
000
250.0
00 Lancar
9 21-Jan-
2012
22-Jan-
2015
12.000.
000
453.333
16.320.
000
120.0
00 Lancar
10 5-Feb-
2013
6-Feb-
2016
30.000.
000
1.133.33
3
40.800.
000
300.0
00 Lancar
11 5-Feb-
2013
6-Feb-
2016
28.000.
000
1.057.77
8
38.080.
000
280.0
00
528.88
9
Kredit
Macet
12 16-Feb-
2013
15-Feb-
2014
18.000.
000
1.680.00
0
20.160.
000
180.0
00 Lancar
13 24-Feb-
2013
23-Feb-
2016
30.000.
000
1.133.33
3
40.800.
000
300.0
00 Lancar
14 17-Feb-
2013
16-Feb-
2014
16.000.
000
1.493.33
3
17.920.
000
160.0
00 Lancar
15 20-Feb-
2013
19-Feb-
2014
18.000.
930.000
22.320.
180.0 Lancar
88
000 000 00
16 22-Feb-
2013
21-Feb-
2016
30.000.
000
1.133.33
3
40.800.
000
300.0
00 Lancar
17 22-Feb-
2013
21-Feb-
2014
12.000.
000
1.120.00
0
13.440.
000
120.0
00 Lancar
18 14-Jan-
2012
13-Jan-
2014
17.000.
000
878.333
21.080.
000
170.0
00
483.08
3
Kredit
Macet
19 22-Jan-
2012
21-Jan-
2013
5.000.0
00
466.667
5.600.0
00
50.00
0 Lunas
20 23-Feb-
2013
22-Feb-
2014
5.000.0
00
466.667
5.600.0
00
50.00
0 Lancar
21 3-Feb-
2012
2-Feb-
2013
18.000.
000
1.680.00
0
20.160.
000
180.0
00
840.00
0
Kredit
Macet
22 5-Feb-
2012
4-Feb-
2014
30.000.
000
1.550.00
0
37.200.
000
300.0
00 Lancar
23 26-Feb-
2013
25-Feb-
2015
12.000.
000
620.000
14.880.
000
120.0
00 Lancar
24 26-Feb-
2013
25-Feb-
2015
15.000.
000
775.000
18.600.
000
150.0
00 Lancar
25 15-Feb-
2012
14-Feb-
2015
30.000.
000
1.133.33
3
40.800.
000
300.0
00 Lancar
26 3-Mar- 2-Mar- 30.000. 1.550.00 37.200. 300.0
Lancar
89
2013 2016 000 0 000 00
27 5-Mar-
2013
4-Mar-
2014
5.000.0
00
466.667
5.600.0
00
50.00
0 Lancar
28 7-Mar-
2013
4-Mar-
2014
5.000.0
00
466.667
5.600.0
00
50.00
0 Lancar
29 7-Mar-
2013
6-Mar-
2014
6.000.0
00
560.000
6.720.0
00
60.00
0 Lancar
30 8-Mar-
2013
7-Mar-
2015
30.000.
000
1.550.00
0
37.200.
000
300.0
00 Lancar
31 9-Mar-
2013
8-Mar-
2015
6.000.0
00
310.000
7.440.0
00
60.00
0 Lancar
32 16-Feb-
2012
15-Feb-
2014
17.000.
000
878.333
21.080.
000
170.0
00 Lancar
33 17-Feb-
2012
16-Feb-
2013
16.000.
000
1.493.33
3
17.920.
000
160.0
00 Lunas
34 10-Mar-
2013
9-Mar-
2015
16.000.
000
826.667
19.840.
000
160.0
00 Lancar
35 20-Feb-
2012
19-Feb-
2014
18.000.
000
930.000
22.320.
000
180.0
00 Lancar
36 22-Feb-
2012
21-Feb-
2016
30.000.
000
1.133.33
3
40.800.
000
300.0
00
566.66
7
Kredit
Macet
37 21-Jan- 20-Jan-
Lancar
90
2012 2014 12.000.
000
620.000 14.880.
000
120.0
00
38 11-Mar-
2013
10-Mar-
2015
30.000.
000
1.550.00
0
37.200.
000
300.0
00 Lancar
39 12-Mar-
2013
11-Mar-
2014
5.000.0
00
466.667
5.600.0
00
50.00
0 Lancar
40 13-Mar-
2013
12-Mar-
2014
15.000.
000
1.400.00
0
16.800.
000
150.0
00 Lancar
41 22-Jan-
2012
21-Jan-
2013
7.000.0
00
653.333
7.840.0
00
70.00
0 Lunas
42 3-Feb-
2012
2-Feb-
2013
18.000.
000
1.680.00
0
20.160.
000
180.0
00
840.00
0
Kredit
Macet
43 5-Feb-
2012
4-Feb-
2015
30.000.
000
1.133.33
3
40.800.
000
300.0
00
566.66
7
Kredit
Macet
44 26-Mar-
2013
25-Mar-
2016
30.000.
000
1.133.33
3
40.800.
000
300.0
00 Lancar
45 5-Feb-
2012
5-Feb-
2016
30.000.
000
1.133.33
3
40.800.
000
300.0
00 Lancar
46 14-Mar-
2013
13-Mar-
2015
18.000.
000
1.680.00
0
20.160.
000
180.0
00 Lancar
47 23-Feb-
2012
22-Feb-
2013
5.000.0
00
466.667
5.600.0
00
50.00
0 Lunas
91
48 15-Mar-
2013
14-Mar-
2015
27.000.
000
1.395.00
0
33.480.
000
270.0
00 Lancar
49 4-May-
2013
3-May-
2014
6.000.0
00
560.000
6.720.0
00
60.00
0 Lancar
50 8-May-
2013
7-May-
2014
5.000.0
00
466.667
5.600.0
00
50.00
0 Lancar
51
10-
May-
2013
9-May-
2014
12.000.
000
1.120.00
0
13.440.
000
120.0
00 Lancar
52 24-Feb-
2012
23-Feb-
2015
30.000.
000
1.133.33
3
40.800.
000
300.0
00
566.66
7
Kredit
Macet
53 16-Feb-
2012
15-Feb-
2014
17.000.
000
878.333
21.080.
000
170.0
00 Lancar
54
21-
May-
2013
20-
May-
2014
6.000.0
00
560.000
6.720.0
00
60.00
0 Lancar
55 26-Feb-
2012
25-Feb-
2014
15.000.
000
775.000
18.600.
000
150.0
00 Lancar
56 17-Feb-
2012
16-Feb-
2013
16.000.
000
1.493.33
3
17.920.
000
160.0
00 Lunas
57 2-Jun-
2013
3-Jun-
2015
30.000.
000
1.550.00
0
37.200.
000
300.0
00 Lancar
58 26-Feb-
2012
25-Feb-
2014
12.000.
000 620.000
14.880.
000
120.0
00 Lancar
92
59 3-Mar-
2012
2-Mar-
2014
30.000.
000
1.550.00
0
37.200.
000
300.0
00
697.50
0
Kredit
Macet
60 3-Jun-
2013
4-Jun-
2015
5.000.0
00
258.333
6.200.0
00
50.00
0 Lancar
61 5-Mar-
2012
4-Mar-
2013
5.000.0
00
466.667
5.600.0
00
50.00
0 Lunas
62 7-Mar-
2012
4-Mar-
2013
30.000.
000
2.800.00
0
33.600.
000
300.0
00
1.260.
000
Kredit
Macet
63 7-Jun-
2013
6-Jun-
2015
12.000.
000
620.000
14.880.
000
120.0
00 Lancar
64 15-Jun-
2013
6-Jun-
2015
15.000.
000
775.000
18.600.
000
150.0
00 Lancar
65 16-Jun-
2013
7-Jun-
2016
25.000.
000
944.444,
44
34.000.
000
250.0
00 Lancar
66 7-Mar-
2012
6-Mar-
2013
6.000.0
00
560.000
6.720.0
00
60.00
0 Lunas
67 8-Mar-
2012
7-Mar-
2014
30.000.
000
1.550.00
0
37.200.
000
300.0
00
697.50
0
Kredit
Macet
68 20-Feb-
2012
19-Feb-
2013
18.000.
000
930.000
22.320.
000
180.0
00 Lunas
69 22-Feb-
2012
21-Feb-
2015
30.000.
1.133.33
40.800.
300.0
566.66
Kredit
Macet
93
000 3 000 00 7
70 9-Mar-
2012
8-Mar-
2014
16.000.
000
826.667
19.840.
000
160.0
00
372.00
0
Kredit
Macet
71 10-Mar-
2012
9-Mar-
2014
16.000.
000
826.667
19.840.
000
160.0
00 Lancar
72 7-Jul-
2013
6-Jul-
2016
30.000.
000
1.133.33
3
40.800.
000
300.0
00 Lancar
73 11-Mar-
2012
10-Mar-
2014
5.000.0
00
258.333
6.200.0
00
50.00
0 Lancar
74 22-Feb-
2012
21-Feb-
2015
12.000.
000
1.120.00
0
13.440.
000
120.0
00
560.00
0
Kredit
Macet
75 23-Feb-
2012
22-Feb-
2015
5.000.0
00
466.667
5.600.0
00
50.00
0 Lunas
76 12-Mar-
2012
11-Mar-
2013
5.000.0
00
466.667
5.600.0
00
50.00
0 Lunas
77 13-Mar-
2012
12-Mar-
2015
16.000.
000
604.444
21.760.
000
160.0
00
272.00
0
Kredit
Macet
94
(Halaman ini sengaja dikosongkan)
95
Lampiran 3 : Dataset 2014
Dataset Rekapitulasi Pinjaman Karyawan (Tahun 2014)
Koperasi Karyawan PT. Karyamitra Budisentosa
Bagian Pertama
No
mor
Nama
Karyawan
Masa
Kerja
Status
Karya
wan
Golo
ngan
Karya
wan
Uang
Pinja
man
Tangg
ungan
Uang
Tangg
ungan
Barang
Hasil
Lama
Pinja
man
1 Ach. Yusuf
Sidiq 8 Tetap A Besar
Tidak
Ada Ada Dapat
36
2 Achmad
Fauziyan Nur 4
Tidak
tetap B
Seda
ng
Tidak
Ada
Tidak
Ada Dapat
24
3 Achmad Makin
5 Tetap A Besar Tidak
Ada Ada Dapat
36
4 Agus Siswanto
15 Tetap B Seda
ng
Tidak
Ada
Tidak
Ada Dapat
24
5 Agustinus Tata
N 13 Tetap A Kecil Ada
Tidak
Ada Dapat
12
6 Ainur Rofiq
4 Tetap C Besar Ada Ada Tidak
dapat 24
7 Ajeng Aprilia
Dhi Cahyanti 13 Tetap B
Seda
ng
Tidak
Ada
Tidak
Ada Dapat
36
8 Ali Hasan
4 Tidak
tetap C Besar
Tidak
Ada Ada Dapat
36
9 Alimah
9 Tetap B Seda
ng
Tidak
Ada
Tidak
Ada
Tidak
dapat 12
10 Ananda
4 Tidak
tetap B Besar Ada Ada
Tidak
dapat 36
11 Anang Masyudi
9 Tetap A Seda
ng Ada Ada Dapat
12
12 Anang Wahyudi
9 Tetap C Seda
ng
Tidak
Ada
Tidak
Ada Dapat
24
13 Andi
2 Tidak
tetap A Besar
Tidak
Ada
Tidak
Ada Dapat
36
14 Andri H
6 Tetap A Seda
ng Ada Ada Dapat
12
15 Anies sugiarti
8 Tidak
tetap A Kecil Ada Ada
Tidak
dapat 12
16 Antoni Agus
Triawan 4
Tidak
tetap C Besar
Tidak
Ada Ada Dapat
24
17 Bahtiar
9 Tetap C Seda
ng
Tidak
Ada
Tidak
Ada Dapat
24
18 Bandrio
9 Tetap B Seda
ng
Tidak
Ada
Tidak
Ada Dapat
24
19 Bayu Erdy
Mahendra 6
Tidak
tetap A Besar
Tidak
Ada
Tidak
Ada Dapat
36
20 Budiono
2 Tidak
tetap A Besar
Tidak
Ada
Tidak
Ada Dapat
24
21 Cahyani 13 Tetap A Kecil Ada Tidak
Ada Dapat
12
96
22 Cahyono 10 Tetap B Kecil Ada Ada Dapat 12
23 Candra Biantoro
6 Tidak
tetap C Kecil
Tidak
Ada
Tidak
Ada Dapat
12
24 Cece Amrida
4 Tetap A Besar Ada Ada Tidak
dapat 24
25 Chintya
3 Tidak
tetap B Kecil
Tidak
Ada
Tidak
Ada Dapat
24
26 Dandi Dwi
Laksono 6 Tetap B
Seda
ng
Tidak
Ada
Tidak
Ada Dapat
24
27 Dedy Prasetyo
2 Tidak
tetap B
Seda
ng
Tidak
Ada
Tidak
Ada Dapat
24
28 Deni Santoso
2 Tetap C Seda
ng
Tidak
Ada
Tidak
Ada Dapat
24
29 Deri Saputra
3 Tidak
tetap A Besar
Tidak
Ada
Tidak
Ada Dapat
36
30 Dicky Adi
Permana 11 Tetap B
Seda
ng
Tidak
Ada
Tidak
Ada Dapat
24
31 Dinda Aprilia
5 Tidak
tetap A Besar Ada Ada
Tidak
dapat 24
32 Endar Susilo
6 Tetap A Kecil Tidak
Ada
Tidak
Ada Dapat
12
33 Eni Sulistyani
5 Tetap C Seda
ng Ada Ada Dapat
12
34 Febriana Sintia
Dewi 7 Tetap A Besar
Tidak
Ada
Tidak
Ada Dapat
36
35 Felix Dany
Firmansyah 6
Tidak
tetap B Besar Ada Ada
Tidak
dapat 36
36 Fendi Agung
Nur Admaji 9 Tetap C
Seda
ng
Tidak
Ada Ada Dapat
12
37 Fitria Dwi
Indriani 11 Tetap A Besar
Tidak
Ada Ada Dapat
24
38 Fransisca
9 Tetap C Kecil Tidak
Ada
Tidak
Ada Dapat
12
39 Frederick
7 Tetap A Kecil Tidak
Ada Ada Dapat
12
40 Fredy Haryono
3 Tidak
tetap A
Seda
ng
Tidak
Ada Ada Dapat
12
41 Hafid Haydhar
Khilmi 3 Tetap B
Seda
ng
Tidak
Ada
Tidak
Ada Dapat
24
42 Hafidh Nur
Rohmat 6 Tetap C Kecil
Tidak
Ada
Tidak
Ada Dapat
12
43 Hamim Usama
Thohir 9 Tetap B
Seda
ng
Tidak
Ada
Tidak
Ada Dapat
24
44 Ifa Hikmawati
4 Tetap C Besar Ada Tidak
Ada
Tidak
dapat 24
45 Ima Dwi Yanti
9 Tetap C Seda
ng
Tidak
Ada
Tidak
Ada Dapat
24
46 Indra Iskandar
2 Tidak
tetap A Besar
Tidak
Ada
Tidak
Ada Dapat
24
47 Irta Devi Rosita
Sari 2
Tidak
tetap B Kecil Ada
Tidak
Ada
Tidak
dapat 24
48 Kuncoro Adi
Saputra 13 Tetap A
Seda
ng
Tidak
Ada Ada Dapat
24
49 Lailatul Isnaini
5 Tetap B Seda
ng Ada Ada
Tidak
dapat 24
97
50 Linawardah
Mauludianah 4 Tetap C Besar Ada
Tidak
Ada
Tidak
dapat 36
51 Mega Dwi
Pratiwi 6 Tetap A
Seda
ng Ada Ada Dapat
24
52 Meilia Aura
Feronicha 3
Tidak
tetap B Besar
Tidak
Ada Ada
Tidak
dapat 36
53 Miranda
Fransiska 4
Tidak
tetap A Kecil
Tidak
Ada Ada Dapat
24
54
Vina
Masruhatul
Aula
7 Tidak
tetap A Besar Ada
Tidak
Ada
Tidak
dapat 24
55 Vincentya Vinki
Hananata 6 Tetap B Besar
Tidak
Ada
Tidak
Ada Dapat
24
56 Widya
Rahmadhani 4 Tetap C Besar
Tidak
Ada Ada
Tidak
dapat 36
57 Yeni Eli
Ernawatiningsih 4
Tidak
tetap C Kecil
Tidak
Ada Ada Dapat
24
58 Yeni Hardiyanti
2 Tetap B Seda
ng
Tidak
Ada Ada Dapat
12
59 Yitna Erdika
Efendi 4 Tetap B Besar
Tidak
Ada
Tidak
Ada Dapat
36
60 Yunia Indah
Sari 8
Tidak
tetap B
Seda
ng
Tidak
Ada Ada Dapat
12
Bagian Kedua
No
mor
Tanggal
Pinjam
Tanggal
Selesai
Jumlah
Pinjam
an
Jumlah
Angsura
n
Total
Angsura
n
Bung
a 1%
Denda /
5%
Keteran
gan
Ala
san
1 12-Jan-
2013
11-Jan-
2016
30.000.
000
1.133.33
3
40.800.
000
300.0
00
623.333
Kredit
Macet
2 13-Jan-
2013
14-Jan-
2015
15.000.
000
775.000
18.600.
000
150.0
00 Lancar
3 12-Jan-
2013
13-Jan-
2016
25.000.
000
944.444
34.000.
000
250.0
00 Lancar
4 21-Jan-
2013
22-Jan-
2015
12.000.
000
620.000
14.880.
000
120.0
00 Lancar
5 22-Jan-
2013
23-Jan-
2014
5.000.0
00
466.667
5.600.0
00
50.00
0 Lunas
6 3-Feb-
2013
4-Feb-
2015
25.000.
000
1.291.66
7
31.000.
000
250.0
00
645.833
Kredit
Macet
7 21-Jan-
2012
22-Jan-
2015
12.000.
000
453.333
16.320.
000
120.0
00 Lancar
8 5-Feb-
2013
6-Feb-
2016
30.000.
000
1.133.33
3
40.800.
000
300.0
00
566.667
Kredit
Macet
98
9 16-Feb-
2013
15-Feb-
2014
18.000.
000
1.680.00
0
20.160.
000
180.0
00 Lunas
10 24-Feb-
2013
23-Feb-
2016
30.000.
000
1.133.33
3
40.800.
000
300.0
00 Lancar
11 17-Feb-
2013
16-Feb-
2014
16.000.
000
1.493.33
3
17.920.
000
160.0
00
821.333
Kredit
Macet
12 20-Feb-
2013
19-Feb-
2014
18.000.
000
930.000
22.320.
000
180.0
00 Lunas
13 22-Feb-
2013
21-Feb-
2016
30.000.
000
1.133.33
3
40.800.
000
300.0
00 Lancar
14 22-Feb-
2013
21-Feb-
2014
12.000.
000
1.120.00
0
13.440.
000
120.0
00
560.000
Kredit
Macet
15 23-Feb-
2013
22-Feb-
2014
5.000.0
00
466.667
5.600.0
00
50.00
0 Lunas
16 5-Feb-
2012
4-Feb-
2014
30.000.
000
1.550.00
0
37.200.
000
300.0
00
775.000
Kredit
Macet
17 26-Feb-
2013
25-Feb-
2015
12.000.
000
620.000
14.880.
000
120.0
00 Lancar
18 26-Feb-
2013
25-Feb-
2015
15.000.
000
775.000
18.600.
000
150.0
00 Lancar
19 15-Feb-
2012
14-Feb-
2015
30.000.
000
1.133.33
3
40.800.
000
300.0
00
566.667
Kredit
Macet
20 3-Mar-
2013
2-Mar-
2016
30.000.
000
1.550.00
0
37.200.
000
300.0
00 Lancar
21 5-Mar-
2013
4-Mar-
2014
5.000.0
00
466.667
5.600.0
00
50.00
0 Lunas
22 7-Mar-
2013
4-Mar-
2014
5.000.0
00
466.667
5.600.0
00
50.00
0 Lunas
23 7-Mar-
2013
6-Mar-
2014
6.000.0
00
560.000
6.720.0
00
60.00
0 Lunas
24 8-Mar-
2013
7-Mar-
2015
30.000.
000
1.550.00
0
37.200.
000
300.0
00
775.000
Kredit
Macet
25 9-Mar-
2013
8-Mar-
2015
6.000.0
00
310.000
7.440.0
00
60.00
0 Lancar
26 16-Feb-
2012
15-Feb-
2014
17.000.
000
878.333
21.080.
000
170.0
00
439.167
Kredit
Macet
27 10-Mar-
2013
9-Mar-
2015
16.000.
826.667
19.840.
160.0 Lancar
99
000 000 00
28 20-Feb-
2012
19-Feb-
2014
18.000.
000
930.000
22.320.
000
180.0
00 Lunas
29 22-Feb-
2012
21-Feb-
2016
30.000.
000
1.133.33
3
40.800.
000
300.0
00
566.667
Kredit
Macet
30 21-Jan-
2012
20-Jan-
2014
12.000.
000
620.000
14.880.
000
120.0
00 Lunas
31 11-Mar-
2013
10-Mar-
2015
30.000.
000
1.550.00
0
37.200.
000
300.0
00 Lancar
32 12-Mar-
2013
11-Mar-
2014
5.000.0
00
466.667
5.600.0
00
50.00
0 Lunas
33 13-Mar-
2013
12-Mar-
2014
15.000.
000
1.400.00
0
16.800.
000
150.0
00
630.000
Kredit
Macet
34 26-Mar-
2013
25-Mar-
2016
30.000.
000
1.133.33
3
40.800.
000
300.0
00 Lancar
35 5-Feb-
2012
5-Feb-
2015
30.000.
000
1.133.33
3
40.800.
000
300.0
00
566.667
Kredit
Macet
36 14-Mar-
2013
13-Mar-
2015
18.000.
000
1.680.00
0
20.160.
000
180.0
00 Lancar
37 15-Mar-
2013
14-Mar-
2015
27.000.
000
1.395.00
0
33.480.
000
270.0
00 Lancar
38 4-May-
2013
3-May-
2014
6.000.0
00
560.000
6.720.0
00
60.00
0 Lunas
39 8-May-
2013
7-May-
2014
5.000.0
00
466.667
5.600.0
00
50.00
0 Lunas
40
10-
May-
2013
9-May-
2014
12.000.
000
1.120.00
0
13.440.
000
120.0
00
392.000
Kredit
Macet
41 16-Feb-
2012
15-Feb-
2014
17.000.
000
878.333
21.080.
000
170.0
00
439.167
Kredit
Macet
42
21-
May-
2013
20-
May-
2014
6.000.0
00
560.000
6.720.0
00
60.00
0 Lunas
43 26-Feb-
2012
25-Feb-
2014
15.000.
000
775.000
18.600.
000
150.0
00 Lunas
44 2-Jun-
2013
3-Jun-
2015
30.000.
000
1.550.00
0
37.200.
000
300.0
00
465.000
Kredit
Macet
45 26-Feb-
2012
25-Feb-
2014
12.000.
000
620.000
14.880.
000
120.0
00 Lunas
100
46 3-Mar-
2012
2-Mar-
2014
30.000.
000
1.550.00
0
37.200.
000
300.0
00 Lunas
47 3-Jun-
2013
4-Jun-
2015
5.000.0
00
258.333
6.200.0
00
50.00
0 Lancar
48 7-Jun-
2013
6-Jun-
2015
12.000.
000
620.000
14.880.
000
120.0
00 Lancar
49 15-Jun-
2013
6-Jun-
2015
15.000.
000
775.000
18.600.
000
150.0
00 Lancar
50 16-Jun-
2013
7-Jun-
2016
25.000.
000
944.444
34.000.
000
250.0
00 Lancar
51 10-Mar-
2012
9-Mar-
2014
16.000.
000
826.667
19.840.
000
160.0
00
330.667
Kredit
Macet
52 7-Jul-
2013
6-Jul-
2015
30.000.
000
1.133.33
3
40.800.
000
300.0
00
283.333
Kredit
Macet
53 11-Mar-
2012
10-Mar-
2014
5.000.0
00
258.333
6.200.0
00
50.00
0 Lunas
54 15-Jun-
2014
6-Jun-
2016
25.000.
000
1.291.66
7
31.000.
000
250.0
00 Lancar
55 10-Oct-
2014
9-Oct-
2016
30.000.
000
1.550.00
0
37.200.
000
300.0
00 Lancar
56 7-Jul-
2014
6-Jul-
2017
7.000.0
00
264.444
9.520.0
00
70.00
0 Lancar
57 17-Jul-
2014
16-Jul-
2016
5.000.0
00
258.333
6.200.0
00
50.00
0 Lancar
58 8-Aug-
2014
7-Aug-
2015
15.000.
000
1.400.00
0
16.800.
000
150.0
00 Lancar
59 28-Aug-
2014
27-Aug-
2017
28.000.
000
1.057.77
8
38.080.
000
280.0
00 Lancar
60 9-Oct-
2014
8-Oct-
2015
12.000.
000
1.120.00
0
13.440.
000
120.0
00 Lancar
101
Lampiran 4 : Dataset 2015
Dataset Rekapitulasi Pinjaman Karyawan (Tahun 2015)
Koperasi Karyawan PT. Karyamitra Budisentosa
Bagian Pertama
No
mor
Nama
Karyawan
Masa
Kerja
Status
Karya
wan
Golo
ngan
Karya
wan
Uang
Pinja
man
Tangg
ungan
Uang
Tangg
ungan
Barang
Hasil
Lama
Pinja
man
1 Achmad
Fauziyan Nur 5
Tidak
tetap B
Seda
ng
Tidak
Ada
Tidak
Ada Dapat
24
2 Achmad Makin
6 Tetap A Besar Tidak
Ada Ada Dapat
36
3 Agus Siswanto
16 Tetap B Seda
ng
Tidak
Ada
Tidak
Ada Dapat
24
4 Ajeng Aprilia
Dhi Cahyanti 14 Tetap B
Seda
ng
Tidak
Ada
Tidak
Ada Dapat
36
5 Alfin Achmat
Solehman 9 Tetap A
Seda
ng
Tidak
Ada Ada Dapat
24
6 Ali Mustofa
7 Tidak
tetap B Besar Ada Ada
Tidak
dapat 36
7 Ananda
5 Tidak
tetap B Besar Ada Ada
Tidak
dapat 36
8 Andi
3 Tidak
tetap A Besar
Tidak
Ada
Tidak
Ada Dapat
36
9 Angger Bayu
Setiabudi 9 Tetap C
Seda
ng Ada
Tidak
Ada Dapat
12
10 Arga Adi
Pranata 3 Tetap C Kecil Ada Ada Dapat
12
11 Asma'ul Khusna
10 Tetap B Seda
ng
Tidak
Ada
Tidak
Ada Dapat
24
12 Bahtiar
10 Tetap C Seda
ng
Tidak
Ada
Tidak
Ada Dapat
24
13 Bandrio
10 Tetap B Seda
ng
Tidak
Ada
Tidak
Ada Dapat
24
14 Bayu Erdy
Mahendra 7
Tidak
tetap A Kecil Ada
Tidak
Ada Dapat
12
15 Belva Kanda
Braga Y T 5 Tetap C
Seda
ng Ada Ada Dapat
12
16 Budiono
3 Tidak
tetap A Besar
Tidak
Ada
Tidak
Ada Dapat
24
17 Chintya
4 Tidak
tetap B Kecil
Tidak
Ada
Tidak
Ada Dapat
24
18 Dedy Prasetyo
3 Tidak
tetap B
Seda
ng
Tidak
Ada
Tidak
Ada Dapat
24
19 Dinda Aprilia
6 Tidak
tetap A Besar Ada Ada
Tidak
dapat 24
20 Febri Bagus
Saputra 5
Tidak
tetap C Besar
Tidak
Ada Ada Dapat
36
21 Febriana Sintia
Dewi 8 Tetap A Besar
Tidak
Ada
Tidak
Ada Dapat
36
102
22 Fendi Agung
Nur Admaji 10 Tetap C
Seda
ng
Tidak
Ada Ada Dapat
12
23 Fitria Dwi
Indriani 12 Tetap A Besar
Tidak
Ada Ada Dapat
24
24 Irta Devi Rosita
Sari 3
Tidak
tetap B Kecil Ada
Tidak
Ada
Tidak
dapat 24
25 Kuncoro Adi
Saputra 14 Tetap A
Seda
ng
Tidak
Ada Ada Dapat
24
26 Lailatul Isnaini
6 Tetap B Seda
ng Ada Ada
Tidak
dapat 24
27 Linawardah
Mauludianah 5 Tetap C Besar Ada
Tidak
Ada
Tidak
dapat 36
28 Much Taufiqul
Ikrom 6
Tidak
tetap A Kecil
Tidak
Ada
Tidak
Ada Dapat
12
29
Vina
Masruhatul
Aula
8 Tidak
tetap A Besar Ada
Tidak
Ada
Tidak
dapat 24
30 Vincentya Vinki
Hananata 7 Tetap B Besar
Tidak
Ada
Tidak
Ada Dapat
24
31 Widya
Rahmadhani 5 Tetap C Besar
Tidak
Ada Ada
Tidak
dapat 36
32 Yeni Eli
Ernawatiningsih 5
Tidak
tetap C Kecil
Tidak
Ada Ada Dapat
24
33 Yeni Hardiyanti
3 Tetap B Seda
ng
Tidak
Ada Ada Dapat
12
34 Yitna Erdika
Efendi 5 Tetap B Besar
Tidak
Ada
Tidak
Ada Dapat
36
35 Yunia Indah
Sari 9
Tidak
tetap B
Seda
ng
Tidak
Ada Ada Dapat
12
Bagian Kedua
No
mor
Tangga
l
Pinjam
Tangga
l
Selesai
Jumlah
Pinjaman
Jumlah
Angsura
n
Total
Angsuran
Bunga
1%
Denda
/ 5%
Ketera
ngan
Ala
san
1 13-Jan-
2013
14-Jan-
2015
15.000.0
00
775.000
18.600.0
00
150.00
0 Lunas
2 12-Jan-
2013
13-Jan-
2016
25.000.0
00
944.444
34.000.0
00
250.00
0 Lancar
3 21-Jan-
2013
22-Jan-
2015
12.000.0
00
620.000
14.880.0
00
120.00
0 Lunas
4 21-Jan-
2012
22-Jan-
2015
12.000.0
00
453.333
16.320.0
00
120.00
0 Lunas
5 12-Jan-
2015
11-Jan-
2017
17.000.0
00
878.333
21.080.0
00
170.00
0 Lancar
6 5-Feb-
2013
6-Feb-
2017
28.000.0
00
1.057.77
8
38.080.0
00
280.00
0
528.88
9
Kredit
Macet
103
7
24-
Feb-
2013
23-
Feb-
2016
30.000.0
00
1.133.33
3
40.800.0
00
300.00
0 Lancar
8
22-
Feb-
2013
21-
Feb-
2016
30.000.0
00
1.133.33
3
40.800.0
00
300.00
0
566.66
7
Kredit
Macet
9 13-Jan-
2015
12-Jan-
2016
15.000.0
00
1.400.00
0
16.800.0
00
150.00
0 Lancar
10 14-Jan-
2015
13-Jan-
2016
5.000.00
0
466.667
5.600.00
0
50.000 Lancar
11 21-Jan-
2015
20-Jan-
2017
12.000.0
00
620.000
14.880.0
00
120.00
0 Lancar
12
26-
Feb-
2013
25-
Feb-
2015
12.000.0
00
620.000
14.880.0
00
120.00
0 Lunas
13
26-
Feb-
2013
25-
Feb-
2015
15.000.0
00
775.000
18.600.0
00
150.00
0 Lancar
14 22-Jan-
2015
21-Jan-
2016
7.000.00
0
653.333
7.840.00
0
70.000 Lancar
15 3-Feb-
2015
2-Feb-
2016
18.000.0
00
1.680.00
0
20.160.0
00
180.00
0 Lancar
16 3-Mar-
2013
2-Mar-
2016
30.000.0
00
1.550.00
0
37.200.0
00
300.00
0
775.00
0
Kredit
Macet
17 9-Mar-
2013
8-Mar-
2015
6.000.00
0
310.000
7.440.00
0
60.000 Lunas
18
10-
Mar-
2013
9-Mar-
2015
16.000.0
00
826.667
19.840.0
00
160.00
0 Lunas
19
11-
Mar-
2013
10-
Mar-
2015
30.000.0
00
1.550.00
0
37.200.0
00
300.00
0
775.00
0
Kredit
Macet
20 5-Feb-
2012
4-Feb-
2015
30.000.0
00
1.133.33
3
40.800.0
00
300.00
0
623.33
3
Kredit
Macet
21
26-
Mar-
2013
25-
Mar-
2016
30.000.0
00
1.133.33
3
40.800.0
00
300.00
0 Lancar
22
14-
Mar-
2013
13-
Mar-
2015
18.000.0
00
1.680.00
0
20.160.0
00
180.00
0
924.00
0
Kredit
Macet
23
15-
Mar-
2013
14-
Mar-
2015
27.000.0
00
1.395.00
0
33.480.0
00
270.00
0
767.25
0
Kredit
Macet
24 3-Jun-
2013
4-Jun-
2015
5.000.00
0
258.333
6.200.00
0
50.000 Lunas
25 7-Jun-
2013
6-Jun-
2015
12.000.0
620.000
14.880.0
120.00 Lunas
104
00 00 0
26 15-Jun-
2013
6-Jun-
2015
15.000.0
00
775.000
18.600.0
00
150.00
0 Lunas
27 16-Jun-
2013
7-Jun-
2016
25.000.0
00
944.444
34.000.0
00
250.00
0
425.00
0
Kredit
Macet
28
23-
Feb-
2015
22-
Feb-
2016
5.000.00
0
466.667
5.600.00
0
50.000 Lancar
29 15-Jun-
2014
6-Jun-
2016
25.000.0
00
1.291.66
7
31.000.0
00
250.00
0 Lancar
30 10-Oct-
2014
9-Oct-
2016
30.000.0
00
1.550.00
0
37.200.0
00
300.00
0
155.00
0
Kredit
Macet
31 7-Jul-
2014
6-Jul-
2017
7.000.00
0
264.444
9.520.00
0
70.000 Lancar
32 17-Jul-
2014
16-Jul-
2016
5.000.00
0
258.333
6.200.00
0
50.000 Lancar
33 8-Aug-
2014
7-Aug-
2015
15.000.0
00
1.400.00
0
16.800.0
00
150.00
0
280.00
0
Kredit
Macet
34
28-
Aug-
2014
27-
Aug-
2017
28.000.0
00
1.057.77
8
38.080.0
00
280.00
0
211.55
6
Kredit
Macet
35 9-Oct-
2014
8-Oct-
2015
12.000.0
00
1.120.00
0
13.440.0
00
120.00
0 Lunas
105
Lampiran 5 : Dataset 2016
Dataset Rekapitulasi Pinjaman Karyawan (Tahun 2016)
Koperasi Karyawan PT. Karyamitra Budisentosa
Bagian Pertama
No
mor Nama Karyawan
Masa
Kerja
Status
Karya
wan
Golo
ngan
Karya
wan
Uang
Pinja
man
Tangg
ungan
Uang
Tangg
ungan
Barang
Hasil
Lam
a
Pinja
man
1 Hafidh Nur
Rohmat 8 Tetap C
Besa
r Ada
Tidak
Ada
Tidak
dapat 36
2 Yuki Maulana
5 Tidak
tetap B
Seda
ng Ada
Tidak
Ada
Tidak
dapat 24
3 Frederick
9 Tetap A Seda
ng Ada Ada Dapat
12
4 Fransisca
11 Tetap C Besa
r Ada
Tidak
Ada
Tidak
dapat 24
5 Fitria Dwi
Indriani 13 Tetap A
Besa
r Ada Ada
Tidak
dapat 24
6 Muhammad
Jamal Syaifudin 5
Tidak
tetap B
Seda
ng Ada
Tidak
Ada
Tidak
dapat 12
7 Kiki Abrianto
11 Tidak
tetap B
Seda
ng Ada
Tidak
Ada Dapat
12
8 Lobi
Mardiyansah 4
Tidak
tetap B Kecil Ada Ada Dapat
12
9 Joko Prasetyo
15 Tetap A Seda
ng Ada
Tidak
Ada Dapat
24
10 Hamim Usama
Thohir 11 Tetap B
Seda
ng Ada
Tidak
Ada Dapat
24
11
M.Zidan
Degretta
Kusuma
5 Tetap C Seda
ng Ada
Tidak
Ada
Tidak
dapat 24
12 Hafid Haydhar
Khilmi 5 Tetap B
Seda
ng Ada
Tidak
Ada
Tidak
dapat 24
13 Yeni Eli
Ernawatiningsih 6
Tidak
tetap C Kecil
Tidak
Ada Ada Dapat
24
14 Widya
Rahmadhani 6 Tetap C
Besa
r
Tidak
Ada Ada
Tidak
dapat 36
15 Vina Masruhatul
Aula 9
Tidak
tetap A
Besa
r Ada
Tidak
Ada
Tidak
dapat 24
16 Ananda
6 Tidak
tetap B
Besa
r Ada
Tidak
Ada
Tidak
dapat 36
17 Achmad Makin
7 Tetap A Besa
r
Tidak
Ada
Tidak
Ada Dapat
36
Bagian Kedua
No
mor
Tanggal
Pinjam
Tanggal
Selesai
Jumlah
Pinjama
n
Jumlah
Angsuran
Total
Angsura
n
Bung
a 1%
Denda
/ 5%
Keteran
gan
Ala
san
1 21- 22- 27.000. 1.020.00 36.720. 270.0 357.00 Kredit
106
May-
2016
May-
2019
000 0 000 00 0 Macet
2
12-
May-
2016
11-Apr-
2018
17.000.
000
878.333
21.080.
000
170.0
00 Lancar
3 8-May-
2016
9-May-
2017
17.000.
000
1.586.66
7
19.040.
000
170.0
00 Lancar
4 4-May-
2016
5-May-
2018
30.000.
000
1.550.00
0
37.200.
000
300.0
00 Lancar
5 15-Mar-
2016
16-Mar-
2018
27.000.
000
1.395.00
0
33.480.
000
270.0
00 Lancar
6 12-Mar-
2016
13-Mar-
2017
17.000.
000
1.586.66
7
19.040.
000
170.0
00
Kredit
Macet
7 7-Mar-
2016
8-Mar-
2017
15.000.
000
1.400.00
0
16.800.
000
150.0
00
560.00
0
Kredit
Macet
8 7-Mar-
2016
8-Mar-
2017
6.000.0
00
560.000
6.720.0
00
60.00
0 Lancar
9 5-Mar-
2016
6-Mar-
2018
27.000.
000
1.395.00
0
33.480.
000
270.0
00 Lancar
10 26-Feb-
2016
27-Feb-
2018
15.000.
000
775.000
18.600.
000
150.0
00 Lancar
11 20-Feb-
2016
21-Feb-
2018
18.000.
000
930.000
22.320.
000
180.0
00 Lancar
12 16-Feb-
2016
17-Feb-
2018
17.000.
000
878.333
21.080.
000
170.0
00 Lancar
13 17-Jul-
2014
16-Jul-
2016
5.000.0
00
258.333
6.200.0
00
50.00
0 Lunas
14 7-Jul-
2014
6-Jul-
2017
7.000.0
00
264.444
9.520.0
00
70.00
0 Lancar
15 15-Jun-
2014
6-Jun-
2016
25.000.
000
1.291.66
7
31.000.
000
250.0
00
387.50
0
Kredit
Macet
16 24-Feb-
2013
23-Feb-
2016
30.000.
000
1.133.33
3
40.800.
000
300.0
00
623.33
3
Kredit
Macet
17 12-Jan-
2013
13-Jan-
2016
25.000.
000
944.444
34.000.
000
250.0
00 Lunas
107
Lampiran 6 : Dataset 2017
Dataset Rekapitulasi Pinjaman Karyawan (Tahun 2017)
Koperasi Karyawan PT. Karyamitra Budisentosa
Bagian Pertama
No
mor
Nama
Karyawan
Masa
Kerja
Status
Karya
wan
Golon
gan
Karya
wan
Uang
Pinja
man
Tangg
ungan
Uang
Tangg
ungan
Barang
Hasil
Lama
Pinja
man
1 Cahyani 16 Tetap A Kecil Ada Tidak
Ada Dapat
12
2 Cahyono
13 Tetap B Kecil Ada Tidak
Ada Dapat
12
3 Candra
Biantoro 9
Tidak
tetap C Kecil
Tidak
Ada
Tidak
Ada Dapat
12
4 Dandi Dwi
Laksono 9 Tetap B
Seda
ng
Tidak
Ada
Tidak
Ada Dapat
24
5 Deni Santoso
5 Tetap C Seda
ng
Tidak
Ada
Tidak
Ada Dapat
24
6 Frederick
10 Tetap A Seda
ng Ada Ada
Tidak
dapat 12
7 Fitria Dwi
Indriani 14 Tetap A Besar Ada Ada
Tidak
dapat 24
8 Fransisca
12 Tetap C Besar Ada Tidak
Ada
Tidak
dapat 24
9 Lobi
Mardiyansah 5
Tidak
tetap B Kecil Ada Ada
Tidak
dapat 12
10 Hafid Haydhar
Khilmi 6 Tetap B
Seda
ng Ada
Tidak
Ada
Tidak
dapat 24
11 Hamim Usama
Thohir 12 Tetap B
Seda
ng Ada
Tidak
Ada
Tidak
dapat 24
12 Joko Prasetyo
16 Tetap A Seda
ng Ada
Tidak
Ada
Tidak
dapat 12
13 Widya
Rahmadhani 8 Tetap C Besar Ada Ada
Tidak
dapat 36
14
M.Zidan
Degretta
Kusuma
6 Tetap C Seda
ng Ada
Tidak
Ada
Tidak
dapat 24
15 Putra Prastama
3 Tidak
tetap B
Seda
ng
Tidak
Ada
Tidak
Ada
Tidak
dapat 24
16 Putri Wulandari
2 Tetap C Besar Tidak
Ada
Tidak
Ada Dapat
36
17
Rizky
Yakhoyul
Khoyum
2 Tetap B Besar Tidak
Ada
Tidak
Ada Dapat
36
18 Samsul Arifin
3 Tidak
tetap B
Seda
ng
Tidak
Ada
Tidak
Ada
Tidak
dapat 24
19 Sholikhul
Aqmal Leo 4 Tetap A Kecil
Tidak
Ada
Tidak
Ada Dapat
12
20 Sinta Restianti
Prafiandari 3 Tetap B Kecil
Tidak
Ada
Tidak
Ada Dapat
24
108
21 Umi Ulfa
Chasanatul J 2 Tetap B
Seda
ng
Tidak
Ada
Tidak
Ada Dapat
24
22 Venny Dwi
Oktananda 1 Tetap C
Seda
ng
Tidak
Ada
Tidak
Ada Dapat
24
23 Vera Rosita
Anggraeni 3
Tidak
tetap B
Seda
ng
Tidak
Ada
Tidak
Ada
Tidak
dapat 24
24 Yuki Maulana
6 Tidak
tetap B
Seda
ng Ada
Tidak
Ada
Tidak
dapat 24
Bagian Kedua
No
mor
Tanggal
Pinjam
Tanggal
Selesai
Jumlah
Pinjama
n
Jumlah
Angsura
n
Total
Angsura
n
Bung
a 1%
Denda
/ 5%
Keteran
gan
Ala
san
1 5-Mar-
2017
4-Mar-
2018
5.000.0
00
466.667
5.600.0
00
50.00
0 Lancar
2 7-Mar-
2017
4-Mar-
2018
5.000.0
00
466.667
5.600.0
00
50.00
0 Lancar
3 7-Mar-
2017
8-Mar-
2018
6.000.0
00
560.000
6.720.0
00
60.00
0 Lancar
4 16-Feb-
2017
17-Feb-
2019
17.000.
000
878.333
21.080.
000
170.0
00 Lancar
5 20-Feb-
2017
20-Feb-
2019
18.000.
000
930.000
22.320.
000
180.0
00 Lancar
6 8-May-
2016
9-May-
2017
17.000.
000
1.586.66
7
19.040.
000
170.0
00 Lunas
7 15-Mar-
2016
16-Mar-
2018
27.000.
000
1.395.00
0
33.480.
000
270.0
00
627.75
0
Kredit
Macet
8 4-May-
2016
5-May-
2018
30.000.
000
1.550.00
0
37.200.
000
300.0
00
542.50
0
Kredit
Macet
9 7-Mar-
2016
8-Mar-
2017
6.000.0
00
560.000
6.720.0
00
60.00
0 Lunas
10 16-Feb-
2016
17-Feb-
2018
17.000.
000
878.333
21.080.
000
170.0
00
439.16
7
Kredit
Macet
11 26-Feb-
2016
27-Feb-
2018
15.000.
000
775.000
18.600.
000
150.0
00 Lancar
12 5-Mar-
2016
6-Mar-
2017
27.000.
000
2.520.00
0
30.240.
000
270.0
00
1.134.0
00
Kredit
Macet
13 7-Jul-
2014
6-Jul-
2017
7.000.0
00
264.444
9.520.0
00
70.00
0 Lunas
109
14 20-Feb-
2016
21-Feb-
2018
18.000.
000
930.000
22.320.
000
180.0
00
465.00
0
Kredit
Macet
15 24-Feb-
2017
24-Feb-
2019
18.000.
000
930.000
22.320.
000
180.0
00 Lancar
16 20-Mar-
2017
20-Mar-
2020
28.000.
000
1.057.77
8
38.080.
000
280.0
00 Lancar
17 21-Mar-
2017
21-Mar-
2020
28.000.
000
1.057.77
8
38.080.
000
280.0
00
Kredit
Macet
18 12-Apr-
2017
13-Apr-
2019
18.000.
000
930.000
22.320.
000
180.0
00 Lancar
19 15-Apr-
2017
16-Apr-
2018
7.000.0
00
653.333
7.840.0
00
70.00
0 Lancar
20 20-Apr-
2017
20-Apr-
2019
7.000.0
00
361.667
8.680.0
00
70.00
0 Lancar
21
20-
May-
2017
20-
May-
2019
18.000.
000
930.000
22.320.
000
180.0
00
Kredit
Macet
22 17-Jun-
2017
17-Jun-
2019
17.000.
000
878.333
21.080.
000
170.0
00 Lancar
23 25-Jul-
2017
25-Jul-
2019
18.000.
000
930.000
22.320.
000
180.0
00
Kredit
Macet
24
12-
May-
2016
11-Apr-
2018
17.000.
000
878.333
21.080.
000
170.0
00 Lancar
110
(Halaman ini sengaja dikosongkan)
111
Lampiran 7 : Data Training
Data Training Pinjaman Karyawan
Koperasi Karyawan PT. Karyamitra Budisentosa
Bagian Pertama
No
mo
r
TA
HU
N
Nama
Karyawan
Masa
Kerja
Status
Karya
wan
Golo
ngan
Kary
awan
Uan
g
Pinj
ama
n
Tangg
ungan
Uang
Tangg
ungan
Baran
g
Hasil
Lam
a
Pinj
ama
n
1 201
3
Agung
Kriswanto 4
Tidak
tetap B
Seda
ng Ada
Tidak
Ada
Tidak
dapat 12
2 201
3 Agus Setiawan 5 Tetap C
Keci
l
Tidak
Ada Ada Dapat
12
3 201
3 Ali Mustofa 6
Tidak
tetap B
Besa
r Ada Ada
Tidak
dapat 36
4 201
3
Angger Bayu
Setiabudi 8 Tetap C
Seda
ng
Tidak
Ada Ada Dapat
24
5 201
3
Angger Rizki
Septian 10 Tetap A
Keci
l Ada
Tidak
Ada Dapat
12
6 201
3 Anisa Alfitiyah 4 Tetap C
Seda
ng Ada Ada Dapat
12
7 201
3
Danny
Cristyan
Andarista
2 Tetap A Seda
ng Ada Ada
Tidak
dapat 12
8 201
3 Deri Saputra 2
Tidak
tetap A
Besa
r
Tidak
Ada
Tidak
Ada Dapat
36
9 201
3 Fahmi Fadila 5
Tidak
tetap A
Keci
l Ada
Tidak
Ada Dapat
12
10 201
3 Fahrul Anam 5 Tetap C
Seda
ng Ada Ada Dapat
12
11 201
3
Febri Bagus
Saputra 4
Tidak
tetap C
Besa
r
Tidak
Ada Ada Dapat
36
12 201
3 Firoh Miati 5
Tidak
tetap A
Keci
l Ada Ada Dapat
12
13 201
3
Galuh Mitro
Hartono 3
Tidak
tetap B
Besa
r Ada Ada
Tidak
dapat 36
14 201
3
Ichwanudin
Rohmatulloh 1 Tetap A
Seda
ng Ada Ada
Tidak
dapat 12
15 201
3 Indra Iskandar 1
Tidak
tetap A
Besa
r
Tidak
Ada
Tidak
Ada Dapat
24
16 201
3 Joko Prasetyo 12 Tetap A
Keci
l Ada
Tidak
Ada Dapat
12
17 201
3 Kiki Abrianto 8
Tidak
tetap B
Besa
r Ada Ada Dapat
12
18 201
3
Lobi
Mardiyansah 1
Tidak
tetap B
Keci
l Ada Ada Dapat
12
19 201
3
Luki
Andriansyah 12
Tidak
tetap C
Besa
r
Tidak
Ada
Tidak
Ada Dapat
24
20 201
3
M.Zidan
Degretta 2 Tetap C
Seda
ng
Tidak
Ada
Tidak
Ada Dapat
24
112
Kusuma
21 201
3
Mahfud Nur
Kholis 3
Tidak
tetap A
Besa
r
Tidak
Ada
Tidak
Ada Dapat
36
22 201
3 Marisa Alqori 7 Tetap A
Seda
ng Ada
Tidak
Ada Dapat
24
23 201
3
Mochamad
Alfan 7 Tetap A
Seda
ng Ada Ada Dapat
12
24 201
3
Much Taufiqul
Ikrom 4
Tidak
tetap A
Keci
l Ada Ada Dapat
12
25 201
3
Muhammad
Jamal
Syaifudin
2 Tidak
tetap B
Keci
l
Tidak
Ada
Tidak
Ada Dapat
12
26 201
3
Muhammad
Zainul Tamami 12 Tetap A
Besa
r
Tidak
Ada Ada Dapat
36
1 201
4
Ach. Yusuf
Sidiq 8 Tetap A
Besa
r
Tidak
Ada Ada Dapat
36
2 201
4
Agustinus Tata
N 13 Tetap A
Keci
l Ada
Tidak
Ada Dapat
12
3 201
4 Ainur Rofiq 4 Tetap C
Besa
r Ada Ada
Tidak
dapat 24
4 201
4 Ali Hasan 4
Tidak
tetap C
Besa
r
Tidak
Ada Ada Dapat
36
5 201
4 Alimah 9 Tetap B
Seda
ng
Tidak
Ada
Tidak
Ada
Tidak
dapat 12
6 201
4
Anang
Masyudi 9 Tetap A
Seda
ng Ada Ada Dapat
12
7 201
4
Anang
Wahyudi 9 Tetap C
Seda
ng
Tidak
Ada
Tidak
Ada Dapat
24
8 201
4 Andri H 6 Tetap A
Seda
ng Ada Ada Dapat
12
9 201
4 Anies sugiarti 8
Tidak
tetap A
Keci
l Ada Ada
Tidak
dapat 12
10 201
4
Antoni Agus
Triawan 4
Tidak
tetap C
Besa
r
Tidak
Ada Ada Dapat
24
11 201
4
Bayu Erdy
Mahendra 6
Tidak
tetap A
Besa
r
Tidak
Ada
Tidak
Ada Dapat
36
12 201
4 Cahyani 13 Tetap A
Keci
l Ada
Tidak
Ada Dapat
12
13 201
4 Cahyono 10 Tetap B
Keci
l Ada Ada Dapat
12
14 201
4
Candra
Biantoro 6
Tidak
tetap C
Keci
l
Tidak
Ada
Tidak
Ada Dapat
12
15 201
4 Cece Amrida 4 Tetap A
Besa
r Ada Ada
Tidak
dapat 24
16 201
4
Dandi Dwi
Laksono 6 Tetap B
Seda
ng
Tidak
Ada
Tidak
Ada Dapat
24
17 201
4 Deni Santoso 2 Tetap C
Seda
ng
Tidak
Ada
Tidak
Ada Dapat
24
18 201
4 Deri Saputra 3
Tidak
tetap A
Besa
r
Tidak
Ada
Tidak
Ada Dapat
36
19 201
4
Dicky Adi
Permana 11 Tetap B
Seda
ng
Tidak
Ada
Tidak
Ada Dapat
24
20 201
4 Endar Susilo 6 Tetap A
Keci
l
Tidak
Ada
Tidak
Ada Dapat
12
21 201 Eni Sulistyani 5 Tetap C Seda Ada Ada Dapat 12
113
4 ng
22 201
4
Felix Dany
Firmansyah 6
Tidak
tetap B
Besa
r Ada Ada
Tidak
dapat 36
23 201
4 Fransisca 9 Tetap C
Keci
l
Tidak
Ada
Tidak
Ada Dapat
12
24 201
4 Frederick 7 Tetap A
Keci
l
Tidak
Ada Ada Dapat
12
25 201
4 Fredy Haryono 3
Tidak
tetap A
Seda
ng
Tidak
Ada Ada Dapat
12
26 201
4
Hafid Haydhar
Khilmi 3 Tetap B
Seda
ng
Tidak
Ada
Tidak
Ada Dapat
24
27 201
4
Hafidh Nur
Rohmat 6 Tetap C
Keci
l
Tidak
Ada
Tidak
Ada Dapat
12
28 201
4
Hamim Usama
Thohir 9 Tetap B
Seda
ng
Tidak
Ada
Tidak
Ada Dapat
24
29 201
4 Ifa Hikmawati 4 Tetap C
Besa
r Ada
Tidak
Ada
Tidak
dapat 24
30 201
4 Ima Dwi Yanti 9 Tetap C
Seda
ng
Tidak
Ada
Tidak
Ada Dapat
24
31 201
4 Indra Iskandar 2
Tidak
tetap A
Besa
r
Tidak
Ada
Tidak
Ada Dapat
24
32 201
4
Mega Dwi
Pratiwi 6 Tetap A
Seda
ng Ada Ada Dapat
24
33 201
4
Meilia Aura
Feronicha 3
Tidak
tetap B
Besa
r
Tidak
Ada Ada
Tidak
dapat 36
34 201
4
Miranda
Fransiska 4
Tidak
tetap A
Keci
l
Tidak
Ada Ada Dapat
24
1 201
5
Achmad
Fauziyan Nur 5
Tidak
tetap B
Seda
ng
Tidak
Ada
Tidak
Ada Dapat
24
2 201
5 Agus Siswanto 16 Tetap B
Seda
ng
Tidak
Ada
Tidak
Ada Dapat
24
3 201
5
Ajeng Aprilia
Dhi Cahyanti 14 Tetap B
Seda
ng
Tidak
Ada
Tidak
Ada Dapat
36
4 201
5 Ali Mustofa 7
Tidak
tetap B
Besa
r Ada Ada
Tidak
dapat 36
5 201
5 Andi 3
Tidak
tetap A
Besa
r
Tidak
Ada
Tidak
Ada Dapat
36
6 201
5 Bahtiar 10 Tetap C
Seda
ng
Tidak
Ada
Tidak
Ada Dapat
24
7 201
5 Budiono 3
Tidak
tetap A
Besa
r
Tidak
Ada
Tidak
Ada Dapat
24
8 201
5 Chintya 4
Tidak
tetap B
Keci
l
Tidak
Ada
Tidak
Ada Dapat
24
9 201
5 Dedy Prasetyo 3
Tidak
tetap B
Seda
ng
Tidak
Ada
Tidak
Ada Dapat
24
10 201
5 Dinda Aprilia 6
Tidak
tetap A
Besa
r Ada Ada
Tidak
dapat 24
11 201
5
Febri Bagus
Saputra 5
Tidak
tetap C
Besa
r
Tidak
Ada Ada Dapat
36
12 201
5
Fendi Agung
Nur Admaji 10 Tetap C
Seda
ng
Tidak
Ada Ada Dapat
12
13 201
5
Fitria Dwi
Indriani 12 Tetap A
Besa
r
Tidak
Ada Ada Dapat
24
14 201
5
Irta Devi
Rosita Sari 3
Tidak
tetap B
Keci
l Ada
Tidak
Ada
Tidak
dapat 24
114
15 201
5
Kuncoro Adi
Saputra 14 Tetap A
Seda
ng
Tidak
Ada Ada Dapat
24
16 201
5 Lailatul Isnaini 6 Tetap B
Seda
ng Ada Ada
Tidak
dapat 24
17 201
5
Linawardah
Mauludianah 5 Tetap C
Besa
r Ada
Tidak
Ada
Tidak
dapat 36
18 201
5
Vincentya
Vinki
Hananata
7 Tetap B Besa
r
Tidak
Ada
Tidak
Ada Dapat
24
19 201
5
Yeni
Hardiyanti 3 Tetap B
Seda
ng
Tidak
Ada Ada Dapat
12
20 201
5
Yitna Erdika
Efendi 5 Tetap B
Besa
r
Tidak
Ada
Tidak
Ada Dapat
36
21 201
5
Yunia Indah
Sari 9
Tidak
tetap B
Seda
ng
Tidak
Ada Ada Dapat
12
1 201
6
Hafidh Nur
Rohmat 8 Tetap C
Besa
r Ada
Tidak
Ada
Tidak
dapat 36
2 201
6
Muhammad
Jamal
Syaifudin
5 Tidak
tetap B
Seda
ng Ada
Tidak
Ada
Tidak
dapat 12
3 201
6 Kiki Abrianto 11
Tidak
tetap B
Seda
ng Ada
Tidak
Ada Dapat
12
4 201
6
Yeni Eli
Ernawatiningsi
h
6 Tidak
tetap C
Keci
l
Tidak
Ada Ada Dapat
24
5 201
6
Vina
Masruhatul
Aula
9 Tidak
tetap A
Besa
r Ada
Tidak
Ada
Tidak
dapat 24
6 201
6 Ananda 6
Tidak
tetap B
Besa
r Ada
Tidak
Ada
Tidak
dapat 36
7 201
6
Achmad
Makin 7 Tetap A
Besa
r
Tidak
Ada
Tidak
Ada Dapat
36
1 201
7 Frederick 10 Tetap A
Seda
ng Ada Ada
Tidak
dapat 12
2 201
7
Fitria Dwi
Indriani 14 Tetap A
Besa
r Ada Ada
Tidak
dapat 24
3 201
7 Fransisca 12 Tetap C
Besa
r Ada
Tidak
Ada
Tidak
dapat 24
4 201
7
Lobi
Mardiyansah 5
Tidak
tetap B
Keci
l Ada Ada
Tidak
dapat 12
5 201
7
Hafid Haydhar
Khilmi 6 Tetap B
Seda
ng Ada
Tidak
Ada
Tidak
dapat 24
6 201
7 Joko Prasetyo 16 Tetap A
Seda
ng Ada
Tidak
Ada
Tidak
dapat 12
7 201
7
Widya
Rahmadhani 8 Tetap C
Besa
r Ada Ada
Tidak
dapat 36
8 201
7
M.Zidan
Degretta
Kusuma
6 Tetap C Seda
ng Ada
Tidak
Ada
Tidak
dapat 24
9 201
7
Rizky
Yakhoyul
Khoyum
2 Tetap B Besa
r
Tidak
Ada
Tidak
Ada Dapat
36
10 201
7
Umi Ulfa
Chasanatul J 2 Tetap B
Seda
ng
Tidak
Ada
Tidak
Ada Dapat
24
11 201 Vera Rosita 3 Tidak B Seda Tidak Tidak Tidak 24
115
7 Anggraeni tetap ng Ada Ada dapat
Bagian Kedua
No Tanggal
Pinjam
Tanggal
Selesai
Jumlah
Pinjaman Total Angsuran Keterangan
1 16-Jan-2012 17-Jan-2013 15.000.000 16.800.000 Kredit Macet
2 17-Jan-2012 18-Jan-2013 5.000.000 5.600.000 Lunas
3 5-Feb-2013 6-Feb-2016 28.000.000 38.080.000 Kredit Macet
4 14-Jan-2012 13-Jan-2014 17.000.000 21.080.000 Kredit Macet
5 22-Jan-2012 21-Jan-2013 5.000.000 5.600.000 Lunas
6 3-Feb-2012 2-Feb-2013 18.000.000 20.160.000 Kredit Macet
7 17-Feb-2012 16-Feb-2013 16.000.000 17.920.000 Lunas
8 22-Feb-2012 21-Feb-2016 30.000.000 40.800.000 Kredit Macet
9 22-Jan-2012 21-Jan-2013 7.000.000 7.840.000 Lunas
10 3-Feb-2012 2-Feb-2013 18.000.000 20.160.000 Kredit Macet
11 5-Feb-2012 4-Feb-2015 30.000.000 40.800.000 Kredit Macet
12 23-Feb-2012 22-Feb-2013 5.000.000 5.600.000 Lunas
13 24-Feb-2012 23-Feb-2015 30.000.000 40.800.000 Kredit Macet
14 17-Feb-2012 16-Feb-2013 16.000.000 17.920.000 Lunas
15 3-Mar-2012 2-Mar-2014 30.000.000 37.200.000 Kredit Macet
16 5-Mar-2012 4-Mar-2013 5.000.000 5.600.000 Lunas
17 7-Mar-2012 4-Mar-2013 30.000.000 33.600.000 Kredit Macet
18 7-Mar-2012 6-Mar-2013 6.000.000 6.720.000 Lunas
19 8-Mar-2012 7-Mar-2014 30.000.000 37.200.000 Kredit Macet
20 20-Feb-2012 19-Feb-2013 18.000.000 22.320.000 Lunas
21 22-Feb-2012 21-Feb-2015 30.000.000 40.800.000 Kredit Macet
22 9-Mar-2012 8-Mar-2014 16.000.000 19.840.000 Kredit Macet
23 22-Feb-2012 21-Feb-2015 12.000.000 13.440.000 Kredit Macet
24 23-Feb-2012 22-Feb-2015 5.000.000 5.600.000 Lunas
25 12-Mar-2012 11-Mar-2013 5.000.000 5.600.000 Lunas
26 13-Mar-2012 12-Mar-2015 16.000.000 21.760.000 Kredit Macet
1 12-Jan-2013 11-Jan-2016 30.000.000 40.800.000 Kredit Macet
2 22-Jan-2013 23-Jan-2014 5.000.000 5.600.000 Lunas
3 3-Feb-2013 4-Feb-2015 25.000.000 31.000.000 Kredit Macet
4 5-Feb-2013 6-Feb-2016 30.000.000 40.800.000 Kredit Macet
5 16-Feb-2013 15-Feb-2014 18.000.000 20.160.000 Lunas
6 17-Feb-2013 16-Feb-2014 16.000.000 17.920.000 Kredit Macet
7 20-Feb-2013 19-Feb-2014 18.000.000 22.320.000 Lunas
8 22-Feb-2013 21-Feb-2014 12.000.000 13.440.000 Kredit Macet
9 23-Feb-2013 22-Feb-2014 5.000.000 5.600.000 Lunas
116
10 5-Feb-2012 4-Feb-2014 30.000.000 37.200.000 Kredit Macet
11 15-Feb-2012 14-Feb-2015 30.000.000 40.800.000 Kredit Macet
12 5-Mar-2013 4-Mar-2014 5.000.000 5.600.000 Lunas
13 7-Mar-2013 4-Mar-2014 5.000.000 5.600.000 Lunas
14 7-Mar-2013 6-Mar-2014 6.000.000 6.720.000 Lunas
15 8-Mar-2013 7-Mar-2015 30.000.000 37.200.000 Kredit Macet
16 16-Feb-2012 15-Feb-2014 17.000.000 21.080.000 Kredit Macet
17 20-Feb-2012 19-Feb-2014 18.000.000 22.320.000 Lunas
18 22-Feb-2012 21-Feb-2016 30.000.000 40.800.000 Kredit Macet
19 21-Jan-2012 20-Jan-2014 12.000.000 14.880.000 Lunas
20 12-Mar-2013 11-Mar-2014 5.000.000 5.600.000 Lunas
21 13-Mar-2013 12-Mar-2014 15.000.000 16.800.000 Kredit Macet
22 5-Feb-2012 5-Feb-2015 30.000.000 40.800.000 Kredit Macet
23 4-May-2013 3-May-2014 6.000.000 6.720.000 Lunas
24 8-May-2013 7-May-2014 5.000.000 5.600.000 Lunas
25 10-May-2013 9-May-2014 12.000.000 13.440.000 Kredit Macet
26 16-Feb-2012 15-Feb-2014 17.000.000 21.080.000 Kredit Macet
27 21-May-2013 20-May-2014 6.000.000 6.720.000 Lunas
28 26-Feb-2012 25-Feb-2014 15.000.000 18.600.000 Lunas
29 2-Jun-2013 3-Jun-2015 30.000.000 37.200.000 Kredit Macet
30 26-Feb-2012 25-Feb-2014 12.000.000 14.880.000 Lunas
31 3-Mar-2012 2-Mar-2014 30.000.000 37.200.000 Lunas
32 10-Mar-2012 9-Mar-2014 16.000.000 19.840.000 Kredit Macet
33 7-Jul-2013 6-Jul-2015 30.000.000 40.800.000 Kredit Macet
34 11-Mar-2012 10-Mar-2014 5.000.000 6.200.000 Lunas
1 13-Jan-2013 14-Jan-2015 15.000.000 18.600.000 Lunas
2 21-Jan-2013 22-Jan-2015 12.000.000 14.880.000 Lunas
3 21-Jan-2012 22-Jan-2015 12.000.000 16.320.000 Lunas
4 5-Feb-2013 6-Feb-2017 28.000.000 38.080.000 Kredit Macet
5 22-Feb-2013 21-Feb-2016 30.000.000 40.800.000 Kredit Macet
6 26-Feb-2013 25-Feb-2015 12.000.000 14.880.000 Lunas
7 3-Mar-2013 2-Mar-2016 30.000.000 37.200.000 Kredit Macet
8 9-Mar-2013 8-Mar-2015 6.000.000 7.440.000 Lunas
9 10-Mar-2013 9-Mar-2015 16.000.000 19.840.000 Lunas
10 11-Mar-2013 10-Mar-2015 30.000.000 37.200.000 Kredit Macet
11 5-Feb-2012 4-Feb-2015 30.000.000 40.800.000 Kredit Macet
12 14-Mar-2013 13-Mar-2015 18.000.000 20.160.000 Kredit Macet
13 15-Mar-2013 14-Mar-2015 27.000.000 33.480.000 Kredit Macet
14 3-Jun-2013 4-Jun-2015 5.000.000 6.200.000 Lunas
15 7-Jun-2013 6-Jun-2015 12.000.000 14.880.000 Lunas
16 15-Jun-2013 6-Jun-2015 15.000.000 18.600.000 Lunas
17 16-Jun-2013 7-Jun-2016 25.000.000 34.000.000 Kredit Macet
117
18 10-Oct-2014 9-Oct-2016 30.000.000 37.200.000 Kredit Macet
19 8-Aug-2014 7-Aug-2015 15.000.000 16.800.000 Kredit Macet
20 28-Aug-2014 27-Aug-2017 28.000.000 38.080.000 Kredit Macet
21 9-Oct-2014 8-Oct-2015 12.000.000 13.440.000 Lunas
1 21-May-2016 22-May-2019 27.000.000 36.720.000 Kredit Macet
2 12-Mar-2016 13-Mar-2017 17.000.000 19.040.000 Kredit Macet
3 7-Mar-2016 8-Mar-2017 15.000.000 16.800.000 Kredit Macet
4 17-Jul-2014 16-Jul-2016 5.000.000 6.200.000 Lunas
5 15-Jun-2014 6-Jun-2016 25.000.000 31.000.000 Kredit Macet
6 24-Feb-2013 23-Feb-2016 30.000.000 40.800.000 Kredit Macet
7 12-Jan-2013 13-Jan-2016 25.000.000 34.000.000 Lunas
1 8-May-2016 9-May-2017 17.000.000 19.040.000 Lunas
2 15-Mar-2016 16-Mar-2018 27.000.000 33.480.000 Kredit Macet
3 4-May-2016 5-May-2018 30.000.000 37.200.000 Kredit Macet
4 7-Mar-2016 8-Mar-2017 6.000.000 6.720.000 Lunas
5 16-Feb-2016 17-Feb-2018 17.000.000 21.080.000 Kredit Macet
6 5-Mar-2016 6-Mar-2017 27.000.000 30.240.000 Kredit Macet
7 7-Jul-2014 6-Jul-2017 7.000.000 9.520.000 Lunas
8 20-Feb-2016 21-Feb-2018 18.000.000 22.320.000 Kredit Macet
9 21-Mar-2017 21-Mar-2020 28.000.000 38.080.000 Kredit Macet
10 20-May-2017 20-May-2019 18.000.000 22.320.000 Kredit Macet
11 25-Jul-2017 25-Jul-2019 18.000.000 22.320.000 Kredit Macet
118
(Halaman ini sengaja dikosongkan)
119
Lampiran 8 : Dataset
Dataset Rekapitulasi Pinjaman Karyawan (Tahun 2013-2017)
Koperasi Karyawan PT. Karyamitra Budisentosa
No
Percobaan
Masa
Kerja
Status
Karyawa
n
Golonga
n
Karyaw
an
Uang
Pinjam
an
Tanggung
an Uang
Tanggung
an Barang
Keteranga
n
1 4 Tidak
tetap B Sedang Ada
Tidak
Ada
Kredit
Macet
2 5 Tetap C Kecil Tidak
Ada Ada
Lunas
3 6 Tidak
tetap B Besar Ada Ada
Kredit
Macet
4 8 Tetap C Sedang Tidak
Ada Ada
Kredit
Macet
5 10 Tetap A Kecil Ada Tidak
Ada Lunas
6 4 Tetap C Sedang Ada Ada Kredit
Macet
7 2 Tetap A Sedang Ada Ada Lunas
8 2 Tidak
tetap A Besar
Tidak
Ada
Tidak
Ada
Kredit
Macet
9 5 Tidak
tetap A Kecil Ada
Tidak
Ada Lunas
10 5 Tetap C Sedang Ada Ada Kredit
Macet
11 4 Tidak
tetap C Besar
Tidak
Ada Ada
Kredit
Macet
12 5 Tidak
tetap A Kecil Ada Ada
Lunas
13 3 Tidak
tetap B Besar Ada Ada
Kredit
Macet
14 1 Tetap A Sedang Ada Ada Lunas
15 1 Tidak
tetap A Besar
Tidak
Ada
Tidak
Ada
Kredit
Macet
16 12 Tetap A Kecil Ada Tidak
Ada Lunas
17 8 Tidak
tetap B Besar Ada Ada
Kredit
Macet
18 1 Tidak
tetap B Kecil Ada Ada
Lunas
19 12 Tidak
tetap C Besar
Tidak
Ada
Tidak
Ada
Kredit
Macet
20 2 Tetap C Sedang Tidak
Ada
Tidak
Ada Lunas
21 3 Tidak
tetap A Besar
Tidak
Ada
Tidak
Ada
Kredit
Macet
22 7 Tetap A Sedang Ada Tidak
Ada
Kredit
Macet
23 7 Tetap A Sedang Ada Ada Kredit
120
Macet
24 4 Tidak
tetap A Kecil Ada Ada
Lunas
25 2 Tidak
tetap B Kecil
Tidak
Ada
Tidak
Ada Lunas
26 12 Tetap A Besar Tidak
Ada Ada
Kredit
Macet
1 8 Tetap A Besar Tidak
Ada Ada
Kredit
Macet
2 13 Tetap A Kecil Ada Tidak
Ada Lunas
3 4 Tetap C Besar Ada Ada Kredit
Macet
4 4 Tidak
tetap C Besar
Tidak
Ada Ada
Kredit
Macet
5 9 Tetap B Sedang Tidak
Ada
Tidak
Ada Lunas
6 9 Tetap A Sedang Ada Ada Kredit
Macet
7 9 Tetap C Sedang Tidak
Ada
Tidak
Ada Lunas
8 6 Tetap A Sedang Ada Ada Kredit
Macet
9 8 Tidak
tetap A Kecil Ada Ada
Lunas
10 4 Tidak
tetap C Besar
Tidak
Ada Ada
Kredit
Macet
11 6 Tidak
tetap A Besar
Tidak
Ada
Tidak
Ada
Kredit
Macet
12 13 Tetap A Kecil Ada Tidak
Ada Lunas
13 10 Tetap B Kecil Ada Ada Lunas
14 6 Tidak
tetap C Kecil
Tidak
Ada
Tidak
Ada Lunas
15 4 Tetap A Besar Ada Ada Kredit
Macet
16 6 Tetap B Sedang Tidak
Ada
Tidak
Ada
Kredit
Macet
17 2 Tetap C Sedang Tidak
Ada
Tidak
Ada Lunas
18 3 Tidak
tetap A Besar
Tidak
Ada
Tidak
Ada
Kredit
Macet
19 11 Tetap B Sedang Tidak
Ada
Tidak
Ada Lunas
20 6 Tetap A Kecil Tidak
Ada
Tidak
Ada Lunas
21 5 Tetap C Sedang Ada Ada Kredit
Macet
22 6 Tidak
tetap B Besar Ada Ada
Kredit
Macet
23 9 Tetap C Kecil Tidak
Ada
Tidak
Ada Lunas
24 7 Tetap A Kecil Tidak
Ada Ada
Lunas
121
25 3 Tidak
tetap A Sedang
Tidak
Ada Ada
Kredit
Macet
26 3 Tetap B Sedang Tidak
Ada
Tidak
Ada
Kredit
Macet
27 6 Tetap C Kecil Tidak
Ada
Tidak
Ada Lunas
28 9 Tetap B Sedang Tidak
Ada
Tidak
Ada Lunas
29 4 Tetap C Besar Ada Tidak
Ada
Kredit
Macet
30 9 Tetap C Sedang Tidak
Ada
Tidak
Ada Lunas
31 2 Tidak
tetap A Besar
Tidak
Ada
Tidak
Ada Lunas
32 6 Tetap A Sedang Ada Ada Kredit
Macet
33 3 Tidak
tetap B Besar
Tidak
Ada Ada
Kredit
Macet
34 4 Tidak
tetap A Kecil
Tidak
Ada Ada
Lunas
1 5 Tidak
tetap B Sedang
Tidak
Ada
Tidak
Ada Lunas
2 16 Tetap B Sedang Tidak
Ada
Tidak
Ada Lunas
3 14 Tetap B Sedang Tidak
Ada
Tidak
Ada Lunas
4 7 Tidak
tetap B Besar Ada Ada
Kredit
Macet
5 3 Tidak
tetap A Besar
Tidak
Ada
Tidak
Ada
Kredit
Macet
6 10 Tetap C Sedang Tidak
Ada
Tidak
Ada Lunas
7 3 Tidak
tetap A Besar
Tidak
Ada
Tidak
Ada
Kredit
Macet
8 4 Tidak
tetap B Kecil
Tidak
Ada
Tidak
Ada Lunas
9 3 Tidak
tetap B Sedang
Tidak
Ada
Tidak
Ada Lunas
10 6 Tidak
tetap A Besar Ada Ada
Kredit
Macet
11 5 Tidak
tetap C Besar
Tidak
Ada Ada
Kredit
Macet
12 10 Tetap C Sedang Tidak
Ada Ada
Kredit
Macet
13 12 Tetap A Besar Tidak
Ada Ada
Kredit
Macet
14 3 Tidak
tetap B Kecil Ada
Tidak
Ada Lunas
15 14 Tetap A Sedang Tidak
Ada Ada
Lunas
16 6 Tetap B Sedang Ada Ada Lunas
17 5 Tetap C Besar Ada Tidak
Ada
Kredit
Macet
18 7 Tetap B Besar Tidak
Ada
Tidak
Ada
Kredit
Macet
122
19 3 Tetap B Sedang Tidak
Ada Ada
Kredit
Macet
20 5 Tetap B Besar Tidak
Ada
Tidak
Ada
Kredit
Macet
21 9 Tidak
tetap B Sedang
Tidak
Ada Ada
Lunas
1 8 Tetap C Besar Ada Tidak
Ada
Kredit
Macet
2 5 Tidak
tetap B Sedang Ada
Tidak
Ada
Kredit
Macet
3 11 Tidak
tetap B Sedang Ada
Tidak
Ada
Kredit
Macet
4 6 Tidak
tetap C Kecil
Tidak
Ada Ada
Lunas
5 9 Tidak
tetap A Besar Ada
Tidak
Ada
Kredit
Macet
6 6 Tidak
tetap B Besar Ada
Tidak
Ada
Kredit
Macet
7 7 Tetap A Besar Tidak
Ada
Tidak
Ada Lunas
1 10 Tetap A Sedang Ada Ada Lunas
2 14 Tetap A Besar Ada Ada Kredit
Macet
3 12 Tetap C Besar Ada Tidak
Ada
Kredit
Macet
4 5 Tidak
tetap B Kecil Ada Ada
Lunas
5 6 Tetap B Sedang Ada Tidak
Ada
Kredit
Macet
6 16 Tetap A Sedang Ada Tidak
Ada
Kredit
Macet
7 8 Tetap C Besar Ada Ada Lunas
8 6 Tetap C Sedang Ada Tidak
Ada
Kredit
Macet
9 2 Tetap B Besar Tidak
Ada
Tidak
Ada
Kredit
Macet
10 2 Tetap B Sedang Tidak
Ada
Tidak
Ada
Kredit
Macet
11 3 Tidak
tetap B Sedang
Tidak
Ada
Tidak
Ada
Kredit
Macet
123
Lampiran 9 :Contoh perhitungan metode C4.5 dan Naïve Bayes
Sampel data yang akan dihitung menggunakan perhitungan Naïve Bayes dan C4.5
No
Nama
Karya
wan
Masa
Kerja
Status
Karya
wan
Golong
an
Karyaw
an
Uang
Pinja
man
Tanggu
ngan
Uang
Tanggu
ngan
Barang
Hasil
1
Achma
d
Makin
20 Tetap A Besar Tidak
Ada Ada Lancar
2
Agung
Kriswa
nto
4 Tidak
tetap B
Sedan
g Ada
Tidak
Ada
Kredit
macet
3
Agus
Setiaw
an
5 Tetap C Kecil Ada Ada Kredit
macet
4
Agus
Siswan
to
11 Tetap B Sedan
g
Tidak
Ada
Tidak
Ada Lancar
5
Agusti
nus
Tata N
22 Tetap A Kecil Ada Tidak
Ada Lancar
6 Ainur
Rofiq 3 Tetap C Besar Ada Ada
Kredit
macet
7 Ali
Hasan 3
Tidak
tetap C Besar
Tidak
Ada Ada
Kredit
macet
8
Ali
Mustof
a
3 Tidak
tetap B Besar Ada Ada
Kredit
macet
9 Alimah
8 Tetap B Sedan
g
Tidak
Ada
Tidak
Ada Lancar
10
Anang
Masyu
di
8 Tetap A Sedan
g Ada Ada Lancar
11
Anang
Wahyu
di
8 Tetap C Sedan
g
Tidak
Ada
Tidak
Ada
Kredit
macet
12 Andi
1 Tidak
tetap A Besar
Tidak
Ada
Tidak
Ada Lancar
13 Andri
H 5 Tetap A
Sedan
g Ada Ada Lancar
14 Anies
sugiarti 3
Tidak
tetap A Kecil Ada Ada Lancar
124
Simulasi perhitungan metode C4.5
Bagian 1
NODE
JU
M
LA
H
KA
SU
S
(S)
LA
NC
AR
(S1)
KR
EDI
T
MA
CE
T
(S2)
ENT
ROP
Y
GAI
N
SPLI
T
INF
O
GAI
N
RAT
IO
TOTAL 14 9 5 0.410 0.531 0.940
1 MASA
KERJA 0.090 0.985 0.092
>7 Th 6 5 1 0.219 0.431 0.650
≤7 Th 8 4 4 0.500 0.500 1.000
2
STATU
S
KARY
AWAN
0.102
0.940 0.109
TETA
P 9 7 2 0.282 0.482 0.764
TIDA
K
TETA
P 5 2 3 0.529 0.442 0.971
3
GOLO
NGAN
KARY
AWAN
0.198
1.557 0.127
A 6 5 1 0.219 0.431 0.650
B 4 1 3 0.500 0.311 0.811
C 4 3 1 0.311 0.500 0.811
4
UANG
PINJA
MAN
0.092
1.531 0.060
BESA
R 5 4 1 0.258 0.464 0.722
SEDA
NG 6 4 2 0.390 0.528 0.918
KECI
L 3 1 2 0.528 0.390 0.918
125
5
TANG
GUNG
AN
UANG
0.090
0.985 0.092
ADA 8 4 4 0.500 0.500 1.000
TIDA
K
ADA 6 5 1 0.219 0.431 0.650
6
TANG
GUNG
AN
BARA
NG
0.001
0.985 0.001
ADA 8 5 3 0.424 0.531 0.954
TIDA
K
ADA 6 4 2 0.390 0.528 0.918
Bagian 2
NODE
JU
M
LA
H
KA
SU
S
(S)
LA
NC
AR
(S1)
KR
EDI
T
MA
CE
T
(S2)
ENT
ROP
Y
GAI
N
SPLI
T
INF
O
GAI
N
RAT
IO
TOTAL 14 9 5 0.410 0.531 0.940
GOLO
NGAN
KARY
AWAN
B
4 1 3 0.500 0.311 0.811
1 MASA
KERJA
-
2.164
-
2.877 0.752
>7 Th 6 5 1 0.219 0.431 0.650
≤7 Th 8 4 4 0.500 0.500 1.000
2
STATU
S
KARY
AWAN
-
2.122
-
3.035 0.699
TETA
P 9 7 2 0.282 0.482 0.764
126
TIDA
K
TETA
P 5 2 3 0.529 0.442 0.971
4
UANG
PINJA
MAN
-
2.157
-
1.280
1.68
6
BESA
R 5 4 1 0.258 0.464 0.722
SEDA
NG 6 4 2 0.390 0.528 0.918
KECI
L 3 1 2 0.528 0.390 0.918
5
TANG
GUNG
AN
UANG
-
2.164
-
2.877 0.752
ADA 8 4 4 0.500 0.500 1.000
TIDA
K
ADA 6 5 1 0.219 0.431 0.650
6
TANG
GUNG
AN
BARA
NG
-
2.475
-
2.877 0.860
ADA 8 5 3 0.424 0.531 0.954
TIDA
K
ADA 6 4 2 0.390 0.528 0.918
Bagian 3
NODE
JU
M
LA
H
KA
SU
S
(S)
LA
NC
AR
(S1)
KR
EDI
T
MA
CE
T
(S2)
ENT
ROP
Y
GAI
N
SPLI
T
INF
O
GAI
N
RAT
IO
GOLONGAN
KARYAWAN 6 4 2 0.390 0.528 0.918
127
B, PINJ SDG
1 MASA
KERJA
-
1.065
-
0.553 1.925
>7 Th 6 5 1 0.219 0.431 0.650
≤7 Th 8 4 4 0.500 0.500 1.000
2
STATU
S
KARY
AWAN
-
1.037
-
0.658 1.576
TETA
P 9 7 2 0.282 0.482 0.764
TIDA
K
TETA
P 5 2 3 0.529 0.442 0.971
5
TANG
GUNG
AN
UANG
-
1.065
-
0.553 1.925
ADA 8 4 4 0.500 0.500 1.000
TIDA
K
ADA 6 5 1 0.219 0.431 0.650
6
TANG
GUNG
AN
BARA
NG
-
1.273
-
0.553 2.300
ADA 8 5 3 0.424 0.531 0.954
TIDA
K
ADA 6 4 2 0.390 0.528 0.918
Bagian 4
NODE
JU
M
LA
H
KA
SU
S
(S)
LA
NC
AR
(S1)
KR
EDI
T
MA
CE
T
(S2)
ENT
ROP
Y
GAI
N
SPLI
T
INF
O
GAI
N
RAT
IO
128
GOLONGAN
KARYAWAN
B, UANG PINJ
KECIL DAN
ADA
TANGGUNG
BARANG
8 5 3 0.424 0.531 0.954
1 MASA
KERJA
-
0.533 0.311
-
1.713
>7 Th 6 5 1 0.219 0.431 0.650
≤7 Th 8 4 4 0.500 0.500 1.000
2
STATU
S
KARY
AWAN
-
0.512
0.233 -
2.202
TETA
P 9 7 2 0.282 0.482 0.764
TIDA
K
TETA
P 5 2 3 0.529 0.442 0.971
5
TANG
GUNG
AN
UANG
-
0.533
0.311 -
1.713
ADA 8 4 4 0.500 0.500 1.000
TIDA
K
ADA 6 5 1 0.219 0.431 0.650
Bagian 5
NODE
JU
M
LA
H
KA
SU
S
(S)
LA
NC
AR
(S1)
KR
EDI
T
MA
CE
T
(S2)
ENT
ROP
Y
GAI
N
SPLI
T
INF
O
GAI
N
RAT
IO
GOLONGAN
KARYAWAN B
, UANG PINJ
KECIL, TDK
8 4 4 0.500 0.500 1.000
129
TANGGUNG
BARANG,
MASA KERJA
≤7 Th
2
STATU
S
KARY
AWAN
-
0.467
0.233 -
2.006
TETA
P 9 7 2 0.282 0.482 0.764
TIDA
K
TETA
P 5 2 3 0.529 0.442 0.971
5
TANG
GUNG
AN
UANG
-
0.488
0.311 -
1.566
ADA 8 4 4 0.500 0.500 1.000
TIDA
K
ADA 6 5 1 0.219 0.431 0.650
Bagian 6
NODE
JU
M
LA
H
KA
SU
S
(S)
LA
NC
AR
(S1)
KR
EDI
T
MA
CE
T
(S2)
ENT
ROP
Y
GAI
N
SPLI
T
INF
O
GAI
N
RAT
IO
GOLONGAN
KARYAWAN B
, UANG PINJ
KECIL, TDK
TANGGUNG
BARANG,
MASA KERJA
≤7 Th, DAN
ADA
TANGGUNGA
N UANG
8 4 4 0.500 0.500 1.000
130
2
STATU
S
KARY
AWAN
-
0.467
-
2.066 -
2.006
TETA
P 9 7 2 0.282 0.482 0.764
TIDA
K
TETA
P 5 2 3 0.529 0.442 0.971
Jadi berdasarkan simulasi perhitungan metode C4.5 mulai bagian 1-6, dihasilkan
bahwa karyawan yang mendapat pinjaman dengan kreteria: GOLONGAN
KARYAWAN B , UANG PINJ KECIL, TDK TANGGUNG BARANG, MASA
KERJA ≤7 Th, DAN ADA TANGGUNGAN UANG, STATUS KARYAWAN
TIDAK TETAP
Simulasi perhitungan metode Naïve Bayes
Bagian 1
Atribut Dataset yang diolah Dicari
Masa
Kerja Status
Karyawan Golongan
Karyawan Uang
Pinjaman Tanggungan
Uang Tanggungan
Barang Hasil
>7 Tetap A Kecil Tidak Ada Tidak Ada ??
Bagian 2
Nilai probabilitas
jumlah kasus Lancar
Tidak
Lancar
14 9 5 0.643 0.357
Bagian 3
Perhitungan Atribut
Dicari
Atribut
Diketahui Nilai
Atribut Hasil
131
Masa kerja >7 Lancar 5 9 0.556
>7 Kredit
macet 1 5 0.200
Status
karyawan
Tetap Lancar 7 9 0.778
Tetap Kredit
macet 2 5 0.400
Golongan
karyawan
A Lancar 5 9 0.556
A Kredit
macet 1 5 0.200
Uang pinjaman Kecil Lancar 1 9 0.111
Kecil Kredit
macet 2 5 0.400
Tanggungan
uang
Tidak Ada Lancar 5 9 0.556
Tidak Ada Kredit
macet 1 5 0.200
Tanggungan
barang
Tidak Ada Lancar 4 9 0.444
Tidak Ada Kredit
macet 2 5 0.400
Bagian 4
Atribut Dicari Nilai
Atribut Prob Hasil Akhir
Hasil Lancar 0.006586 9 0.642857 0.004234
Hasil Kredit macet 0.000512 5 0.357143 0.000183
Jadi berdasarkan simulasi perhitungan metode Naïve Bayes mulai bagian 1-4,
dihasilkan bahwa karyawan yang mendapat pinjaman dengan kreteria: MASA
KERJA >7TAHUN, STATUS KARYAWAN TETAP, GOLONGAN A,
JUMLAH PINJAMAN KECIL DAN TIDAK MEMILIKI TANGGUNAGN
UANG MAUPUN BARANG ADALAH LANCAR MELAKUKAN PINJAMAN
132
(Halaman ini sengaja dikosongkan)
133
Lampiran 10 :Contoh Perhitungan Matrix Confusion
Simulasi perhitungan matrix confusion ini untuk mengetahui kinerja
terbaik dari metode C4.5 dan Naïve Bayes berdasarkan hasil simulasi perhitungan
prediksi pada lampiran 9
Bagian 1
Perbandingan hasil prediksi dan realita di lapangan
No
percobaan Nama Karyawan Hasil
Hasil C
4.5
Hasil
Naïve
Bayes
1 Achmad Makin Lancar Lancar Lancar
2 Agung Kriswanto
Kredit
macet Kredit
macet Kredit
macet
3 Agus Setiawan
Kredit
macet Kredit
macet Kredit
macet
4 Agus Siswanto
Lancar Lancar Kredit
macet
5 Agustinus Tata N
Lancar Lancar Kredit
macet
6 Ainur Rofiq
Lancar Kredit
macet Kredit
macet
7 Ali Hasan
Lancar Kredit
macet Kredit
macet
8 Ali Mustofa
Kredit
macet Kredit
macet Kredit
macet
9 Alimah
Kredit
macet Lancar
Kredit
macet
10 Anang Masyudi Lancar Lancar Lancar
11 Anang Wahyudi
Lancar Kredit
macet Kredit
macet
12 Andi
Lancar Lancar Kredit
macet
13 Andri H
Lancar Lancar Kredit
macet
14 Anies sugiarti
Kredit
macet Lancar
Kredit
macet
134
Bagian 2
matrix confuse c45
c45 rumus hasil
recall d/(c+d) 6/(3+6) 0,66
precision d/(b+d) 6/(2+6) 0,75
accuracy (a+c)/(a+b+c+d) (3+3)/(3+2+3+6) 0,42
error rate (b+c)/(a+b+c+d) (2+3)/(3+2+3+6) 0,35
Bagian 3
matrix confuse naïve bayes
naïve bayes(nb) rumus hasil
recall d/(c+d) 2/(7+2) 0,22
precision d/(b+d) 2/(0+2) 1,0
accuracy (a+c)/(a+b+c+d) (5+7)/(5+0+7+2) 0,85
error rate (b+c)/(a+b+c+d) (0+7)/(5+0+7+2) 0,5
Bagian 4
C45 Naïve
bayes
prediksi
prediksi
realita pos neg
realita pos neg
pos 6 3
pos 2 7
neg 2 3
neg 0 5
FPR=FP/(FP+TN) 2/(2+3)=0,4
FPR=FP/(FP+TN) 0/(0+5)=0
TPR=TP/(TP+FN) 6/(6+3)=0,66 TPR=TP/(TP+FN) 2/(2+5)=0,28
Bagian 5
ROC C45 Naïve
Bayes
FPR 0.4 0
TPR 0.66 0.28
PRC C45
Naïve
Bayes
precision 0.54 1
recall 0.66 0.22
Keterangan
a=true negatif(TN)
b=false positif(FP)
c=false negatif(FN)
d=true positif(TP)
FPR=False Positif Rate
TPR=True positif Rate
135
Berikut ini merupakan grafik penggambaran yang merepresentasikan hasil
perhitungan dari data pada lampiran 9 yang diolah menggunakan perhitungan
C4.5 dan Naïve Bayessecara manual(menggunakan Microsoft Excel), kemudian
hasil prediksi dari perhitungan C4.5 dan Naïve Bayes dihitung untuk mencari
kinerja terbaik dari metode C4.5 dan Naïve Bayes menggunakan matrix confusion
yang dijelaskan pada lampiran 10, bagian ini merepresentasikan hasil hitungan
ROC dari metode C4.5 dan Naïve Bayes menggunakan toolsMedCalc untuk
menggambarkan grafik ROC dan untuk menghitung nilai AUC.
Grafik ROC perbandingan Realita(Hasil) terhadap hasil prediksi
menggunakan metode C4.5
Grafik ROC perbandingan Realita(Hasil) terhadap hasil prediksi
menggunakan metode Naïve Bayes
136
Tabel Penilaian AUC dan Accuracy
C4.5 Naïve Bayes
Accuracy 0,42 0,85
AUC 0,633 0,611
Tabel diatas membandingkan nilai dariaccuracy dan AUCpadasetiap
metode.Terlihat bahwa nilai accuracy Naïve Bayes paling tinggi namun nilai
AUC-nya paling rendah.Untuk metode C4.5 menunjukan nilai accuracy lebih
rendah dari metode Naïve Bayes namun nilai AUC-nya lebih tinggi. Untuk
klasifikasi data mining, nilai AUC dapat dibagi menjadi beberapa kelompok:
a. 0.90-1.00 = klasifikasi sangat baik
b. 0.80-0.90 = klasifikasi baik
c. 0.70-0.80 = klasifikasi cukup
d. 0.60-0.70 = klasifikasi buruk
e. 0.50-0.60 = klasifikasi salah
Berdasarkan pengelompokkan di atas maka dapat disimpukan bahwa
metode C4.5 dan naïve bayes termasuk klasifikasi buruk karena memiliki nilai
AUC antara 0.60-0.70.
BIOGRAFI
Akas Bagus Setiawan, Tempat tanggal lahir:
Malang, 22 Juli 1991. Asal di SDN Pringo, Kccamatan
Bululawang Kabupaten Malang mulai dari 1997-2003,
pada tahun 2003 rnelanjutkan studi tingkat SMP di
SMPN I Bululawang Kabupaten Malang dan lulus
pada tahun 2006, kemudian rnenempuh SMA di
SMAN I Gondanglegi Kabupaten Malang dari 2006-
2009 pada jurusan IPA. sctelah lulus pada tahun 2009
melanjutkan studi DIII di Politeknik Telkom Bandung
jurusan Manajernen Informatika dan lulus pada tahun
2012, pada tahun 2014 melanjutkan studi sebagai
mahasiswa alih jenjang dengan status lulus, di
Universitas Kanjuruhan Malang program studi S-l
Sistem Informasi dan lulus pada 2016 setelah lulus dari
Universitas Kanjuruhan Malang melanjutkan studi ke
tahap magister di Institut Teknologi Sepuluh
Nopember Surabaya program studi Magister
Manajemen Teknologi bidang Fakultas Bisnis dan
Manajemen Teknologi, mulai tahun 2016, lulus pada
September 2018