KAJIAN KOMPARASI PENERAPAN ALGORITMA C4.5 DAN …

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


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


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 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


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:


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:


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


Gambar 2.8Grafik ROC metode Naïve Bayes


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


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


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


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


Ada

Tidak

Ada Dapat

12

50 Frederick


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


95




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


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


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


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


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


Tidak

dapat 36

36 Fendi Agung


Seda

ng

Tidak

Ada Ada Dapat

12

37 Fitria Dwi

Indriani 11 Tetap A Besar

Tidak

Ada Ada Dapat

24

38 Fransisca


Ada

Tidak

Ada Dapat

12

39 Frederick


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




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


Ada Ada Dapat

36

3 Agus Siswanto

16 Tetap B Seda

ng

Tidak

Ada

Tidak

Ada Dapat

24

4 Ajeng Aprilia


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


Tidak

dapat 36

7 Ananda

5 Tidak


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


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


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




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




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


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


111

Lampiran 7 : Data Training

Data Training Pinjaman Karyawan


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


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


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


5 22-Jan-2012 21-Jan-2013 5.000.000 5.600.000 Lunas


7 17-Feb-2012 16-Feb-2013 16.000.000 17.920.000 Lunas


9 22-Jan-2012 21-Jan-2013 7.000.000 7.840.000 Lunas



12 23-Feb-2012 22-Feb-2013 5.000.000 5.600.000 Lunas


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


18 7-Mar-2012 6-Mar-2013 6.000.000 6.720.000 Lunas


20 20-Feb-2012 19-Feb-2013 18.000.000 22.320.000 Lunas




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



2 22-Jan-2013 23-Jan-2014 5.000.000 5.600.000 Lunas



5 16-Feb-2013 15-Feb-2014 18.000.000 20.160.000 Lunas


7 20-Feb-2013 19-Feb-2014 18.000.000 22.320.000 Lunas


9 23-Feb-2013 22-Feb-2014 5.000.000 5.600.000 Lunas

116



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



17 20-Feb-2012 19-Feb-2014 18.000.000 22.320.000 Lunas


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



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


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


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



6 26-Feb-2013 25-Feb-2015 12.000.000 14.880.000 Lunas


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





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


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




4 17-Jul-2014 16-Jul-2016 5.000.000 6.200.000 Lunas



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



4 7-Mar-2016 8-Mar-2017 6.000.000 6.720.000 Lunas



7 7-Jul-2014 6-Jul-2017 7.000.000 9.520.000 Lunas




11 25-Jul-2017 25-Jul-2019 18.000.000 22.320.000 Kredit Macet

118


119

Lampiran 8 : Dataset

Dataset Rekapitulasi Pinjaman Karyawan (Tahun 2013-2017)


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


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


Macet

11 4 Tidak

tetap C Besar

Tidak

Ada Ada

Kredit

Macet

12 5 Tidak


Lunas

13 3 Tidak


Kredit

Macet


15 1 Tidak

tetap A Besar

Tidak

Ada

Tidak

Ada

Kredit

Macet


Ada Lunas

17 8 Tidak


Kredit

Macet

18 1 Tidak


Lunas

19 12 Tidak

tetap C Besar

Tidak

Ada

Tidak

Ada

Kredit

Macet


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


Lunas

25 2 Tidak

tetap B Kecil

Tidak

Ada

Tidak

Ada Lunas

26 12 Tetap A Besar Tidak

Ada Ada

Kredit

Macet


Ada Ada

Kredit

Macet


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


Macet


Ada

Tidak

Ada Lunas


Macet

9 8 Tidak


Lunas

10 4 Tidak

tetap C Besar

Tidak

Ada Ada

Kredit

Macet

11 6 Tidak

tetap A Besar

Tidak

Ada

Tidak

Ada

Kredit

Macet


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


Ada

Tidak

Ada

Kredit

Macet


Ada

Tidak

Ada Lunas

18 3 Tidak

tetap A Besar

Tidak

Ada

Tidak

Ada

Kredit

Macet


Ada

Tidak

Ada Lunas

20 6 Tetap A Kecil Tidak

Ada

Tidak

Ada Lunas


Macet

22 6 Tidak


Kredit

Macet


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


Ada

Tidak

Ada

Kredit

Macet


Ada

Tidak

Ada Lunas


Ada

Tidak

Ada Lunas

29 4 Tetap C Besar Ada Tidak

Ada

Kredit

Macet


Ada

Tidak

Ada Lunas

31 2 Tidak

tetap A Besar

Tidak

Ada

Tidak

Ada Lunas


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


Ada

Tidak

Ada Lunas


Ada

Tidak

Ada Lunas

4 7 Tidak


Kredit

Macet

5 3 Tidak

tetap A Besar

Tidak

Ada

Tidak

Ada

Kredit

Macet


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


Kredit

Macet

11 5 Tidak

tetap C Besar

Tidak

Ada Ada

Kredit

Macet


Ada Ada

Kredit

Macet


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


Ada

Kredit

Macet

18 7 Tetap B Besar Tidak

Ada

Tidak

Ada

Kredit

Macet

122


Ada Ada

Kredit

Macet


Ada

Tidak

Ada

Kredit

Macet

21 9 Tidak

tetap B Sedang

Tidak

Ada Ada

Lunas


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


Ada

Tidak

Ada Lunas


2 14 Tetap A Besar Ada Ada Kredit

Macet


Ada

Kredit

Macet

4 5 Tidak


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


Ada

Tidak

Ada

Kredit

Macet


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


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


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


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


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


macet

13 Andri H


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

Date post:	08-Nov-2021
Category:	Documents
Upload:	others
View:	5 times
Download:	0 times

KAJIAN KOMPARASI PENERAPAN ALGORITMA C4.5 DAN …

Documents