KLASIFIKASI KREDIT

MENGGUNAKAN METODE DECISION TREE PADA

NASABAH PADA BANK JABAR
Heriyanto
14001886
Program Computer Sience Pasca Sarjana STMIK Nusamandiri
ABSTRAK
Bank adalah salah satu lembaga keuangan yang berperan penting dalam
perekonomian di Indonesia. Bank menghimpun dana dari masyarakat yaitu berupa
simpanan tabungan yang dilakukan oleh masyarakat, kemudian bank melakukan
peranan bank yang lain yaitu memberikan jasa keuangan berupa kredit. Bank
BANK JABAR merupakan salah satu perbankan yang melayani perkreditan di
desa. Adanya BANK JABAR memudahkan bagi rakyat pedesaan untuk
meminjam dan. Kebutuhan masyarakat pedesaan yang semakin meningkat
menyebabkan tidak sedikitnya yang melakukan kredit di BANK JABAR. Pada
penelitian ini digunakan teknik data mining klasifikasi dengan metode algoritma
C4.5 untuk mengetahui apakah nasabah tergolong nasabah lancar ataupun tidal
lancar. Dari hasil pengujian data menghasilkan akurasi sebesar 65% yang
tergolong Failure dan menghasilkan rule dari pohon keputusan yang diterapkan
pada implementasi sistem klasifikasi data nasabah kredit di Bank Jabar. Model ini
berhasil diterapkan sistem untuk mengetahui nasabah yang tergolong lancar
ataupun tidak lancar.
Kata kunci : klaifikasi, kredit, decision tree
sehari-hari bank harus mempunyai
1.

PENDAHULUAN

dana agar dapat memberikan kredit

kepada masyarakat. Dana tersebut

Bank adalah lembaga keuangan

yang

usaha

pokoknya

dapat diperoleh dari pemilik bank

adalah

(pemegang saham), pemerintah, bank

menghimpun dana dan menyalurkan

Indonesia, pihak-pihak di luar negeri,

kembali dana tersebut ke masyarakat

maupun masyarakat dalam negeri.

dalam

serta

Dana dari pemilik bank berupa

memberikan jasa-jasa dalam lalu

setoran modal yang dilakukan pada

lintas pembayaran dan peredaran

saat pendirian bank[1]. Menurut SK

uang.

Direksi

bentuk

Oleh

melakukan

kredit

karena
kegiatan

itu,

dalam

usahanya

Bank

Indonesia

No

31/KEP/DIR/ tanggal 12 November

1998

bahwa kegiatan

perkreditan merupakan

bervariasi
proses

menurut

nasabah

kemampuan

tersebut.

pembentukan asset bank sehingga

menyalurkan

kredit merupakan asset bank yang

mendapati ada beberapa kredit yang

memiliki risiko risk asset karena

dikatakan kurang lancar atau kredit

asset tersebut dikuasai oleh pihak

macet

luar yaitu debitur.

berpengaruh kepada pemberian

Bank harus berusaha mengelola

dana

Didalam

yang

kredit

kredit

bank

kemudian

akan

selanjutnya atau

asset tersebut agar kualitas risk asset

bisa

tersebut menjadi sehat dalam arti

bank didalam menyalurkan kredit[1].

produktif

sehingga

dapat

mempengaruhi

juga

Salah

satu

kemampuan

cara

yang

bisa

memberikan kontribusi pendapatan

dilakukan oleh pihak bank Jabar

yang besar bagi bank. Bank Jabar

untuk mencegah terjadinya kredit

merupakan salah satu cabang parung

macet adalah dengan mengetahui

panjang. Salah satu bagian dari

kualitas kredit sejak dini.

struktur organisasi bank ini adalah

bagian

dana.

Bagian

penelitian

ini,

penulis

ini

melakukan analisa kredit dengan

bertugas untuk mencari nasabah dan

menggali data-data yang sudah ada

atau penghimpun dana masyarakat

terhadap

berupa

berdasarkan

kredit,

dana

dana

Dalam

tabungan,

data

nasabah

kredit

atribut-atributnya

deposito, simpanan, dan pinjaman

dengan

teknik

data

mining

lainnya.

menggunakan algoritma C 4.5. Data

Dengan perkembangan teknologi

mining adalah proses menganalisa

sekarang ini yang sudah maju dan

data dari perspektif yang berbeda dan

pemikiran

menyimpulkannya menjadi informasi

sedikit

setiap
lebih

individu

yang

maju,tidak

- informasi yang penting yang

memungkinkan semua orang saat ini

dapat digunakan untuk

sudah memanfaatkan layanan dari

meningkatkan

keuntungan,

bank jabar dan sebagai salah satu

memperkecil biaya pengeluaran atau

layanan dari BANK JABAR yang

keduanya[2].

paling diminati adalah kredit, karena

merupakan

pengajuannya mudah serta angsuran

decision

Algoritma
kelompok

tree.

C4.5

algoritma

Algoritma

ini

mempunyai input berupa training

akurasi tertinggi dalam menentukan

samples dan samples [3]. Dengan

keputusan

menggunakan algoritma C4.5 untuk

algoritma yang lain [4]. Berdasarkan

klasifikasi

latar belakang permasalahan tersebut,

diharapkan

data

nasabah

dapat

prediksi jenis

kredit

mengetahui
kredit

dan

mengurangi jumlah kredit

maka

dibandingkan

penulis

Klasifikasi
Nasabah

dengan

memilih

judul

Pemberian

Kredit

Menggunakan

Metode

macet.Sehingga hasil penelitian ini

Decision Tree Pada BANK JABAR.

dapat dimanfaatkan Bank jabar untuk

Adanya penilitian ini diharapkan

mengetahui klasifikasi data nasabah

untuk

yang tergolong lancar maupun tidak

kemungkinan kredit yang bermasalah

dan mengurangi jumlah kredit macet.

lebih dini dan akurat.

menunjang

meminimalisir

Penelitian sebelumnya dilakukan

oleh Susanti dan Neneng Sri Uryani

2. LANDASAN TEORI

Algoritma C 4.5 Untuk Klasifikasi

2.1 Kredit

Pola Pembayaran Kredit Motor Pada

Kredit berasal dari bahasa Yunani,

Perusahaan Pembiayaan (Leasing).

creader, yang berarti kepercayaan.

Pada tahun 2012, Angga Ginanjar

Dengan

demikian

Mabrur dan Riani Lubis Penerapan

memiliki

arti

Data Mining Untuk

meminjamkan

MemprediksiKriteria Nasabah
Kredit.

Penelitian

sebelumnya

melakukan penelitian

untuk

dipersamakan

neural

decision

berdasarkan

algoritma

kesepakatan

digunakan

model
untuk

menganalisa

yaitu

uang(penundaan

1998 kredit adalah penyediaan uang

data mining seperti regresi linier,

tree.Semua

khusus,

Undang Perbankan Nomor 7 tahun

atau

dan

kredit

pembayaran) [1]. Menurut Undang

membandingkan beberapa algoritma

network,

istilah

tagihan

yang

dapat

dengan
persetujuan
pinjam

itu,
atau

meminjam

antara bank dengan pihak lain yang

persetujuan pinjaman dalam bentuk

mewajibkan

pihak

peminjam

kredit.Dari hasil penelitian yang

melunasi utangnya setelah jangka

didapat bahwa decision tree dengan

waktu tertentu dengan pemberian

algoritma C4.5 terbukti mempunyai

bunga.

Dalam pemberian kredit, unsur

kepercayaan

hal

yang

tersebut

untuk

melakukan

sangat

pengenalan/klasifikasi/prediksi/ pada

mendasar

yang

menciptakan

suatu objek data lain agar diketahui

kesepakatan

antara

pihak

dikelas mana objek data tersebut

yang

memberikan kredit dan pihak yang

dalam

menerima

disimpannya[6].

kredit

untuk

dapat

melaksanakan hak dan kewajiban

model

yang

sudah

2.3 Decision Tree Decision tree

yang telah disepakati, baik dari

Merupakan metode yang ada

jangka waktu peminjaman sampai

pada teknik klasifikasi dalam data

masa pengembalian kredit serta balas

mining.Metode

jasa

Dari

mengubah fakta yang sangat besar

beberapa pengertian tentang kredit

menjadi pohon pohon keputusan

yang telah dikemukakandi atas, maka

yang

dapat

Pohon keputusan juga berguna untuk

yang

adalah

diperoleh

[1].

disimpulkan bahwa kredit

penyediaan

uang

pohon

keputusan

mempresentasikan

aturan.

yang

mengeksplorasi data, menemukan

dipinjamkanoleh pihak bank kepada

hubungan tersembunyi antara jumlah

pihak peminjam dengan suatu janji

calon variable input dengan sebuah

bahwa pembayarannya akan dilunasi

variabel

oleh pihak peminjam sesuai dengan

digunakan untuk memprediksi nilai

jangka waktu yang telah disepakati

diskrit dari fungsi target, yang mana

beserta besarnya bunga yang telah

fungsi pembelajaran dipresentasikan

ditetapkan.

oleh sebuah decision tree [10].

2.2 Klasifikasi
Klasifikasi

target

Decision
merupakan

suatu

[7]. Metode

tree

ini

merupakan

himpunan IFTHEN. Setiap path

pekerjaan menilai objek data untuk

dalam

memasukkannya ke dalam kelas dari

aturan, dimana presi terdiri dari

sejumlah kelas yang tersedia. Dalam

sekumpulan node- nodeyang ditemui,

klasifikasi ada dua pekerjaan utama

dan kesimpulan dari aturan terdiri

yang

(1)

atas kelas yang terhubung dengan

sebagai

leaf dari path [11]. Terdapat 3 jenis

prototype untuk disimpan sebagai

node yang terdapat pada decision

memori dan (2) pengunaan model

tree [12], yaitu:

dilakukan,

pembangunan

yaitu

model

tree

dihubungkan

sebuah

a. Root node, merupakan node paling

3. METODE PENELITIAN

atas, pada node ini tidak ada input

Berikut

dan bisa tidak mempunyai output

dalam mengolah data kredit sesuai

atau mempunyai output lebih dari

dengan:

satu.

ini

sistematika

tahapan

1.Wawancara

b. Internal Node, merupakan node

Pada

tahap

ini

penulis

percabangan.

mewawancarai beberapa pihak

Pada node ini terdapat percabangan.

yang

Pada node ini terdapat satu input dan

berupa pegawai Bank Jabar.

memiliki output mininmal dua.

Wawancara

c. Leaf node atau terminal node,

kredit

merupakan node akhir. Pada node ini

pendapatan,

terdapat

angsuran, waktu, kategori.

satu

input

dan

tidak

mempunyai output.

terkaitdalam

hal

ini

mengenai

nasabah

data
seperti

pinjaman,

2. Pengumpulan Data
Dalam tahap ini penulis

Contoh decision tree yang dihasilkan

mencari

dari Tabel 2.1 Dataset Play Golf

yaitu data-data kredit nasabah

sebagai berikut :

berupa
data-data

bahan-bahan

data

dasar

nasabah

yang

dan

berkaitan

dengan kredit.
3. Jurnal dan Studi Pustaka
Tahap

ini

merupakan

landasan awal dalam penelitian

ini. Dari studi pustaka ini
didapatkan banyak referensi
yang

akan

mendukung

penelitian ini, sekaligus untuk

memperkuat pengetahuan dasar
dan teori yang digunakan pada
penelitian ini.
Gambar 1.2 Decision tree dari data
set play golf

Pendapat
an

Pinjaman

Waktu

Keterangan

20000000

Kecil

Sedang

Pendek

Lancar

50000000

Sedang

Besar

Pendek

Lancar

Besar

Kecil

Pendek

Lancar

Sedang

Sedang

Pendek

Lancar

6000000

Kecil

Kecil

Pendek

Lancar

14000000

Kecil

Kecil

Pendek

Lancar

16000000

Kecil

Sedang

Sedang

Tidak Lancar

8000000

Kecil

Kecil

Pendek

Tidak Lancar

20000000

Kecil

Sedang

Sedang

Tidak Lancar

6000000

Kecil

Kecil

Pendek

Tidak Lancar

40000000

Sedang

Besar

Panjang

Lancar

20000000

Besar

Sedang

Panjang

Lancar

10000000

Besar

Kecil

panjang

Lancar

Nominal

5000000
15000000

Gambar 3.2 Import Data

Setelah diimport lalu data diuji

Tabel 3.1 Contoh Data Sampel

dengan

Random

rapidminer,. .Desain algoritma C4.5

algoritma

C4.5

pada

pada rapidminer seperti pada gambar

Pada tahap pengujian model ini

4.2.

data yang digunakan telah melewati

tahap

preposesing.

Sebelum

dilakukan pengujian terlebih dahulu

data

diimport

lalu

di

tentukan

kategorinya dan mana yang akan

dijadikan atribut dan mana yang akan
dijadikan label, seperti gambar 4.1:

Gambar 3.3 Pemodelan Algoritma C

4.5

Algoritma C4.5 melakukan training

yang

digunakan

terhadap data-data yang telah dibagi

mengukur

oleh cross validation menjadi dua

dari model.

untuk

performa

akurasi

kotak yaitu training dan testing.

Hasil Percobaan

Training terdiri dari decision tree,

dilakukan untuk mengetahui kinerja

sedangkan testing terdiri dari apply

dari metode algoritma C4.5 dalam

model dan performance. Berdasarkan

melakukan klasifikasi terhadap kelas

gambar 4.2 dan 4.3 dapat dijelaskan

yang

mengenai parameter dan operator

ditentukan dalam ujicoba ini.

yang

digunakan

pada

model

algoritma C4.5 sebagai berikut:

1.

Retreiving
operator

Data

yang

digunakan

untukm engimport dataset

ini

telah

Decision Tree
Setelah

adalah

Pengujian

dilakukan

pengujian

metode algoritma C4.5 pada rapid

Miner, maka terbentuk pohon keputu
san seperti gambar 3.4

yang akan digunakan, pada

penelitian ini data diimport dari
file excel.
2. Validation operator yang
digunakan dalam penelitian ini
split validation, validation ini
hanya

membagi

total

dari

keseluruhan dataset menjadi

data training dan data testing
berdasarkan ratio yang telah
digunakan.
3.

Decision

metode

tree

adalah

klasifikasi

yang

digunakan dalam penelitian ini.

4.

Apply

Model

adalah

operator yang digunakan dalam

penelitian ini Algoritma C4.5.
5. Performance adalah operator

Pendapatan = Sedang: Lancar

{Lancar=3, Tidak Lancar=0}

Gambar 3.4 Rule yang Terbentuk Da

ri Decision Tree
Rule pada gambar 4.5 yang
nantinya

akan

digunakan

pada

implementasi program. Berikut ini

penjelasan rule yang terbentuk dari
pemodelan

algoritma

C4.5 pada

gambar 4..
1. Jika waktu pendek dan
Gambar 3.4 Pohon

pendapatan

Keputusan Algoritma C4.5

keterangan = Lancar.
2.

Pada gambar 4.5 yang menjadi

Jika

besar,

waktu

pendapatan
pinjaman

waktu.

keterangan = Lancar.

keputusan

diatas

pendek,

kecil

akar dari pohon keputusan yaitu

Pohon

maka

kecil,

menghasilkan rule yang yang akan

3. Jika

diimplementasikan pada program.

pendapatankecil

Rules tersebut sebagai berikut:

pinjaman

waktu

dan
maka

pendek,
dan

sedang,

maka

keterangan = Lancar.

Tree

4. Jika

waktu

pendek,

pendapatan sedang , maka

Pendapatan = Besar: Lancar
{Lancar=3, Tidak Lancar=0}
Pendapatan = Kecil
|
Waktu = Pendek
|
|
Nominal > 11000000:
Lancar {Lancar=2,
Tidak Lancar=0}
|
|
Nominal 11000000:
Tidak Lancar {Lancar=1,
Tidak Lancar=2}
|
Waktu = Sedang:
Tidak Lancar {Lancar=0,
Tidak Lancar=2}

keterangan = Lancar.
5. Jika

waktu

Pendapatan=
Waktu=pendek

sedang,
kecil,
maka

keterangan = Tidak Lancar.

Implementasi

Alogoritma

C4.5

dalam Sistem Website

Gambar 4.1 PervomanceVector

DAFTAR PUSTAKA
Gambar 3.5 Upload data Kredit
4. Kesimpulan
Dari permasalahan di atas dapat
disimpulkan bahwa klasifikasi data
nasabah kredit di Bank Jabar dapat
diselesaikan
data

menggunakan

mining,

yaitu

teknik
dengan

[1] Nurul Fitria and Raina Linda Sari,

"Analisis Kebijakan Pemberian
Kredit
dan
Pengaruh
Non
Performing Loan Terhadap Loan To
Deposit Ratio Pada PT. Bank Rakyat
Indonesia (Persero), Tbk Cabang
Rantau Aceh Tamiang (Periode
2007-2011),"
Ekonomi
dan
Keuangan, vol. 1, no. 1, pp. 88-101,
Desember 2012.

mengunakan algoritma C4.5 dengan

tingkat akurasi 65% seperti gambar
dibawah ini :

[2] Angga Ginanjar Mabrur and

Riani Lubis, "Penerapan Data
Mining
Untuk
Memprediksi
Kriteria NasabahKredit,"
Komputer dan
Informatika
(KOMPUTA), vol. 1, pp. 53-57,
Maret 2012.
[3] Sunjana , "Klasifikasi Data
Nasabah
Sebuah
Asuransi
Menggunakan Algoritma C 4.5,"
Seminar Nasional Aplikasi Teknologi
Informasi 2010 (SNATI 2010), pp.
31-34, Juni 2010.
[4]

Fitri

Nuraeni,

Rahadi

Deli

Saputra, and Neneng Sri Uryani,

"Algoritma C4.5 Untuk Klasifikasi
Pola Pembayaran Kredit Motor Pada
Perusahaan Pembiayaan (Leasing),"
Seminar Nasional Informatika , pp.
245-250, 2013.
[5] Romi
Satria Wahoo. Data
Mining. [Online].
http//www.romisatriawahono.net
[Accesed 15 Mei 2014]
[6] Eko Prasetyo, Data Mining
Konsep dan Aplikasi Menggunakan
Matlab. Yogyakarta: Andi, 2012.

10