ISSN : 1411-6286
ABSTRAK
Telah dibuat penelitian untuk mengetahui profil customer bank yang akan diberi
pinjaman oleh bank. Pemilihan nasabah dibutuhkan untuk meminimalkan resiko
yang dapat mengakibatkan kerugiaanuntuk pihak bank. Risiko tersebut dikategorikan
tinggi (high), sedang (moderat), dan rendah (low).Adapun data nasabah yang diteliti
mempunyai 9 buah atribut dan 107 record. Knowledge Discovery In Databases
(KDD) adalah salah satu metode yang digunakan untuk memperoleh pengetahuan
dalam sebuah basis data. Salah satu cara yang digunakan adalah pohon keputusan
(decision tree). Pengetahuan tersebut direpresentasikan dalam bentuk kaidah
produksi. Algoritma yang digunakan adalah Iteractive Dichotomicer 3 (ID3).
Kata Kunci: customer, decision tree , kaidah produksi, Knowledge Discovery In
Databases (KDD).
1. PENDAHULUAN
1.1. Latar Belakang
Proses pengajuan kredit oleh nasabah
(customer) menjadi semakin mudah, baik untuk
kredit barang maupun kredit uang. Khususnya
dalam bidang perbankan, pengajuan kredit uang
bisa dilakukan oleh semua masyarakat dengan
syarat-syarat sepanjang memenuhi syarat-syarat
yang dientukan bank tersebut. Untuk
menghindari adanya kredit macet, perlu
diketahui profil nasabah khususnya yang akan
mengajukan kredit, sehingga resiko terjadinya
hal itu menjadi minimal.
Knowledge Discovery In Databases
(KDD) merupakan metode untuk memperoleh
pengetahuan dari basis data yang dibentuk.
Dalam basis data itu terdapat tabel-tabel yang
saling
berhubungan/berrelasi.
Hasil
pengetahuan yang diperoleh dalam proses
tersebut dapat digunakan sebagai basis
pengetahuan (knowledge base) untuk keperluan
pengambilan keputusan. Salah satu cara untuk
memperoleh pengetahuan tersebut dengan cara
menambang
data
menggunakan
pohon
keputusan (decision tree).
Knowledge Discovery Pada Risked
(Enny Itje Sela)
1.2. Permasalahan
Berdasarkan latar belakang diatas ,
salah satu pokok permasalahan yang diangkat
adalah bagaimana memperoleh pengetahuan
untuk mengidentifikasi nasabah bank yang akan
diberikan kredit sehinggan meminimalkan
adanya
resiko
kredit
macet
ataupun
permasalahan
lain
yang
mengganggu
operasional bank tersebut.
Cara yang
digunakan adalah membentuk pohon keputusan
dengan algoritma Iteractive Dichotomicer 3
(ID3).pengetahuan yang diperoleh selanjutnya
direpresentasikan dalan kaidah produksi.
2. TEORI
2.1.Pohon Keputusan (Decision Tree)
Algoritma induksi yang paling umum
digunakan adalah kelompok TDIDT (Top Down
Induction Decision Tree). Algoritma ini
didasarkan pada algoritma lain yang dikenalkan
oleh Ross Quinlan yaitu ID 3 (Interactive
Dichotomicer) 3. Input algoritma ini adalah
sebuah database dengan beberapa variabel yang
juga dikenal dengan atribut. Setiap masukan
5
Proceeding, Seminar Ilmiah Nasional Komputer dan Sistem Intelijen (KOMMIT 2006)
Auditorium Universitas Gunadarma, Depok, 23-24 Agustus 2006
Atribut 2
Atribut
Nilai 1,3
Atribut 4
Nilai 2,3
Nilai 2,1
Kelas 1
Nilai 2,2
Kelas 2
Nilai 2,4
Kelas 3
Kelas
Klasifikasi
/Prediksi
Pohon
Keputusan
Aturan
/Kaidah
Nilai 1,2
Atribut 3
Data
ISSN : 1411-6286
.(1)
Proceeding, Seminar Ilmiah Nasional Komputer dan Sistem Intelijen (KOMMIT 2006)
Auditorium Universitas Gunadarma, Depok, 23-24 Agustus 2006
3. Metode Penelitian
Adapun
cara
yang
digunakan
untuk
menjalankan penelitian ini adalah :
1. Mencari sampel data yang akan
digunakan untuk melaksanakan proses
tranformasi menjadi pengetahuan.
2. Melakukan konstruksi pohon keputusan
3. Melakukan prunning decision tree
4. Mengenerate basis pengetahuan dalam
format JIKA .MAKA
4. Pembahasan
4.1.Deskripsi Permasalahan
Profil nasabah dikategorikan sebagai berikut :
o Nasabah beresiko rendah (low risked)
o Nasabah beresiko menengah (moderat
risked)
o Nasabah beresiko tinggi (high risked)
Dari ketiga kategori tersebut, bank akan
memilih nasabah yang mempunyai resiko
rendah atau moderat untuk diberikan kredit.
Record record nasabah yang telah direkam
oleh pihak bank dikumpulkan dari waktu ke
waktu adalah :
o Riwayat kredit (credit history) yang berisi
nilai buruk (bad), baik (good), tidak
diketahui (unknown)
o Simpanan (debt) berisi nilai tinggi (high)
dengan
simpanan
lebih
besar
Rp.30.000.000,00 dan bernilai rendah (low)
jika simpanan dibawah Rp.30.000.000,00
o colateral berisi nilai tidak ada (none) dan
adequatic
o Pekerjaaan berisi nilai ABRI, PNS, dosen
swasta, karyawan swasta non dosen
o
Pendapatan (income) berisi nilai 0Rp.1.500.000 ;
Rp. 1.600.000,00 Rp.
35.000.000,00; dan
lebih besar
Rp.
35.000.000,00
o
Jenis kelamin (gender) yang berisi pria
dan wanita.
Knowledge Discovery Pada Risked
(Enny Itje Sela)
ISSN : 1411-6286
36
33
36
105
r.high
r.modert
r.low
22
13
10
6
10
6
8
10
20
E (income| 1635)
0,461905
E (income)
1,441623
IG
0,085364
0,494483
E (income|
>35)
0,485235
Proceeding, Seminar Ilmiah Nasional Komputer dan Sistem Intelijen (KOMMIT 2006)
Auditorium Universitas Gunadarma, Depok, 23-24 Agustus 2006
atribut income 0 15
Nilai X2 dalam tabel X2 (2; 0,05) = 5,99
Nilai X2 hitung = 7,693
Karena nilai X2 hitung > X2 tabel disimpulkan
bahwa atribut income 0 15 mempengaruhi
atribut risk.
atribut income 16-35
Nilai X2 dalam tabel X2 (2; 0,05) = 5,99
Nilai X2 hitung = 2,604
Karena nilai X2 hitung < X2 tabel disimpulkan
bahwa atribut income 16-35
tidak
mempengaruhi atribut risk.
atribut income >35
Nilai X2 dalam tabel X2 (2; 0,05) = 5,99
Nilai X2 hitung = 9,063
Karena nilai X2 hitung > X2 tabel disimpulkan
bahwa atribut income >35 mempengaruhi
atribut risk.
atribut credit bad
Nilai X2 dalam tabel X2 (2; 0,05) = 5,99
Nilai X2 hitung = 24,36
Karena nilai X2 hitung > X2 tabel disimpulkan
bahwa atribut credit bad mempengaruhi atribut
risk.
atribut credit unknown
Nilai X2 dalam tabel X2 (2; 0,05) = 5,99
Nilai X2 hitung = 3,003
Karena nilai X2 hitung > X2 tabel disimpulkan
bahwa atribut credit unknown mempengaruhi
atribut risk.
atribut credit good
Nilai X2 dalam tabel X2 (2; 0,05) = 5,99
Nilai X2 hitung = 9,834
Karena nilai X2 hitung > X2 tabel disimpulkan
bahwa atribut credit good mempengaruhi
atribut risk.
atribut debt
Nilai X2 dalam tabel X2 (2; 0,05) = 5,99
Nilai X2 hitung = 2,394
Karena nilai X2 hitung < X2 tabel disimpulkan
bahwa atribut debt tidak mempengaruhi atribut
risk
atribut gender
Nilai X2 dalam tabel X2 (2; 0,05) = 5,99
Nilai X2 hitung = 2,194
Karena nilai X2 hitung < X2 tabel disimpulkan
bahwa atribut gender tidak mempengaruhi
atribut risk.
atribut pek. pns
Nilai X2 dalam tabel X2 (2; 0,05) = 5,99
Nilai X2 hitung = 23,54
8
ISSN : 1411-6286
5.PENUTUP
Knowledge Discovery Pada Risked
(Enny Itje Sela)
Proceeding, Seminar Ilmiah Nasional Komputer dan Sistem Intelijen (KOMMIT 2006)
Auditorium Universitas Gunadarma, Depok, 23-24 Agustus 2006
5.1. Kesimpulan
Berdasarkan
pembahasan bab-bab
sebelumnya, dapat ditarik kesimpulan sebagai
berikut :
1. Pohon keputusan dengan algoritma ID3
dapat digunakan untuk memperoleh
pengetahuan pada bidang perbankan
khususnya untuk mengklasifikasikan
pemberian kredit nasabah
2. Klasifikasi nasabah didasarkan pada
resiko rendah (low) dan sedang
(moderat) tergantung pada pihak bank
5.2. Saran
Adapun saran yang dapat diberikan
berdasarkan pembahasan sebelumnya adalah :
1. Perlu adanya uji validasi terhadap
hasil pengetahuan akhir tentang
nasabah yang direkomendasikan
untuk diberi kredit pinjaman.
2. Perlu
diimplementasikan
menggunakan bahasa pemrograman
tertentu sehingga proses editing
data dapat dimungkinkan.
6. DAFTAR PUSTAKA
[1] Han , Jie dan Chambber, M. , 2001, Data
Mining Concept and Technique , Academic
Press, USA
[2] Sudjana, 1996, Metode Statistik Edisi 6 ,
Penerbit tarsito, Bandung
[3] Prayudi, Yudi, 2002, Datamining For
Knowledge Discovery In Medical Data,
ISSN : 1411-6286
Proceeding, Seminar Ilmiah Nasional Komputer dan Sistem Intelijen (KOMMIT 2006)
Auditorium Universitas Gunadarma, Depok, 23-24 Agustus 2006
ISSN : 1411-6286
JIKA
JIKA
R-3
JIKA
R-4
JIKA
R-5
JIKA
R-6
JIKA
R-7
JIKA
R-8
R-9
JIKA
JIKA
R-10
JIKA
R-11
JIKA
R-12
JIKA
R-13
JIKA
R-14
JIKA
R-15
JIKA
R-16
JIKA
R-17
JIKA
R-18
JIKA
R-19
JIKA
R-20
JIKA
R-21
R-22
JIKA
JIKA
R-23
R-24
JIKA
JIKA
10
Aturan
debt high & colateral none & credit bad
debt high & colateral none & credit good & pek.
abri & gender wanita
debt high & colateral none & credit good & pek.
abri & gender pria
debt high & colateral none & credit good & pek.
kary sawasta
debt high & colateral none & credit good & pek.
dosen & income 0-15
debt high & colateral none & credit good & pek.
dosen & income > 35
debt high & colateral none & credit good & pek.
pns & income > 35
debt high & colateral none & credit unknown
debt low & colateral none & pek. abri & income
> 35
debt low & colateral none & pek. abri & income
16- 35
debt low & colateral none & pek. abri & income
0-15 & credit good
debt low & colateral none & pek. pns & income
> 35
debt low & colateral none & pek. pns & income
16-35 & credit good
debt low & colateral none & pek. pns & income
16-35 & credit unknown
debt low & colateral none & pek. pns & income
0-15 & credit bad
debt low & colateral none & pek. pns & income
0-15 & credit unknown & gender pria
debt low & colateral none & pek. pns & income
0-15 & credit unknown & gender wanita
debt low & colateral none & pek. pns & income
0-15 & credit good
debt low & colateral none & pek. dosen &
income > 35 & credit bad
debt low & colateral none & pek. pns & income
0-15
debt low & colateral none & pek. kary.swasta
debt low & colateral none & pek. pns & income
0-15 & credit bad
debt low & colateral adequate & gender pria
debt low & colateral adequate & gender wanita
MAKA risk
MAKA risk
high
High
MAKA risk
moderat
MAKA risk
low
MAKA risk
moderat
MAKA risk
high
MAKA risk
low
MAKA risk
MAKA risk
high
high
MAKA risk
moderat
MAKA risk
high
MAKA risk
low
MAKA risk
low
MAKA risk
moderat
MAKA risk
high
MAKA risk
low
MAKA risk
moderat
MAKA risk
low
MAKA risk
high
MAKA risk
high
MAKA risk
MAKA risk
high
high
MAKA risk
MAKA risk
moderat
low
Proceeding, Seminar Ilmiah Nasional Komputer dan Sistem Intelijen (KOMMIT 2006)
Auditorium Universitas Gunadarma, Depok, 23-24 Agustus 2006
C2
P1
gender
G1
G2
moderat
II1
moderat
P3
P4
iincome
iincome
high
llow
high
CR2
II2
high
low
P4
iincome
II3
II3
Moderat,high
P1
G1
moderat
II2
pek
G2
high
II3
C1
gender
CR1
Pek
P2
high
C1
credit
high
low
colateral
Colateral
low
D2
debt
D1
C2
ISSN : 1411-6286
II1
credit
iincome
II2
II3
CR2
Moderat,high
low
credit
moderat
credit
credit
CR1
high
low
gender
G2
G1
low
11
Low,moder
II3
CR3
Keterangan :
Debt : D1= high ; D2 = low
Colateral: C1 = none ; C2 = adequate
Credit : CR1 = bad ; CR2 =good; CR3 = unknown
Pek
: P1 = abri ; P2=swasta ; P3=dosen ; P4 = pns
Gender : G1 = wanita ; G2 = pria
Income : I1 = 0-15 ; I2 = 16-35 ; I3 = >35
II2
high
CR1
CR3
iincome
II1
II2
CR3
llow
high
II1
moderat
Low,moderat
P3
P2
moderat
hig
CR3
High. low