PENERAPAN ALGORITMA NAIVE BAYES UNTUK

MENGKLASIFIKASIKAN KELAYAKAN CALON NASABAH ASURANSI

DI PT.BNI SEMARANG

M.Zainudin, Erna Zuny Astuti

Universitas Dian Nuswantoro; Semarang,fax (+6224)3569684

Jurusan IlmuKomputerda, FIK UDINUS, Semarang

e-mail: memed.zainuddin@gmail.com,erna.zuni.astuti@dsn.dinus.ac.id

ABSTRAK
Data mining merupakan proses pencarian data secara otomatis pada
database berukuran besar yang menghasilkan informasi. Tujuan penelitian ini
adalah untuk membuat suatu sistem yang dapat membantu pihak asuransi dalam
dalam menentukan kelayakan pemberian premi asuransi dengan memanfaatkan
teknik data mining yang diimplementasikan menggunakan algoritma naive bayes.
Metode penelitian yang dilakukan dalam penelitian ini antara lain,
observasi, wawancara serta studi pustaka untuk mendapatkan data-data terkait
dengan nasabah asuransi di PT. BNI Semarang. Klasifikasi data nasabah
berdasarkan jenis kelamin, usia, status, pekerjaan, penghasilan, cara pembayaran
premi dan masa pembayaran premi. Metode analisis sistem yang digunakan
adalah metode waterfall dengan langkah-langkah, (1) Perencanaan, (2) Analisis,
(3) Perancangan, (4) Implementasi, (5) Pemeliharaan.
Pembuatan aplikasi ini menggunakan Bahasa Pemrograman Microsoft
Visual Basic 6.0 dengan Database MySql.

Kata kunci : Data mining, klasifikasi, data nasabah asuransi

 PENDAHULUAN
PT. BNI cabang Pandanaran merupakan salah satu cabang perusahaan asuransi
jiwa terkemuka di Semarang. Melihat dari data nasabah asuransi beberapa tahun
terakhir ini, diketahui bahwa nasabah PT. BNI selalu mengalami peningkatan setiap
tahunnya. Hal tersebut tentunya tidak lepas dari semakin meningkatnya kesadaran
masyarakat akan masa depan mereka dan keluarganya semakin meningkat. Terlebih
lagi dengan situasi ekonomi yang serba sulit, masyarakat harus memikirkan
bagaimana cara mengatasi biaya pendidikan yang semakin meningkat setiap
tahunnya, serta apabila seseorang mendapatkan gangguan kesehatan dan mengalami
kecelakaan yang tidak terduga, maka bagaimana seorang tersebut mendapatkan biaya
pengobatan. Disitulah peran asuransi sangat dibutuhkan sebagai penjamin kondisi
keuangan, kesehatan serta masa depan pendidikan agar tidak semakin terpuruk

Data mining merupakan sebuah proses pencarian data secara otomatis pada
database berukuran besar yang menghasilkan informasi. Dengan data mining, nasabah
dapat dikategorikan ke dalam nasabah lancar, kurang lancar maupun nasabah macet
dengan lebih selektif dan dalam waktu yang lebih singkat dibanding menggunakan
cara pencarian manual. Hal tersebut tentunya akan sangat membantu pihak PT. BNI
dalam memberikan keputusan pemberian polis asuransi sehingga meminimalisasi
terjadinya premi macet

LANDASAN TEORI

a. Data Mining
Data mining adalah penambangan atau penemuan informasi baru dengan
mencari pola atau aturan tertentu dari sejumlah data yang sangat besar. Data mining
juga disebut sebagai serangkaian proses untuk menggali nilai tambah berupa
pengetahuan yang selama ini tidak diketahui secaramanual dari suatu kumpulan data.
Tahapan dari proses Knowledge Discovery in Database (KDD) adalah :
1. Selection
2. Pre-Processing / Cleaning.
3. Transformation
4. Data Mining
5 Interpretation / Evaluation.
 b. Metode Klasifikasi
Klasifikasi adalah proses untuk menemukan model atau fungsi yang
menjelaskan atau membedakan konsep atau kelas data,dengan tujuan untuk dapat
memperkirakan kelas dari suatu objek yang labelnya tidak diketahui. Dalam mencapai
tujuan tersebut,proses klasifikasi membentuk suatu model yang mampu membedakan
data kedalam kelas-kelas yang berbeda berdasarkan aturan atau fungsi tertentu. Model
itu sendiri bisa berupa aturan”jika-maka”,berupa pohon keputusan atau formula
matematis.
c. Algoritma Naive Bayes
Algoritma Naive Bayes merupakan salah satu algoritma yang
terdapat pada teknik klasifikasi. Naive Bayes merupakan pengklasifikasian
dengan metode probabilitas dan statistik yang dikemukan oleh ilmuwan
Inggris Thomas Bayes, yaitu memprediksi peluang di masa depan
berdasarkan pengalaman dimasa sebelumnya sehingga dikenal sebagai
Teorema Bayes. Teorema tersebut dikombinasikan dengan Naive dimana
diasumsikan kondisi antar atribut saling bebas. Klasifikasi Naive Bayes
diasumsikan bahwa ada atau tidak ciri tertentu dari sebuah kelas tidak ada
hubungannya dengan ciri dari kelas lainnya.
Persamaan dari teorema Bayes adalah :

𝑃(𝑃|𝑃).
𝑃(𝑃)
𝑃 (𝑃|𝑃) =
𝑃(𝑃)
Dimana:

X : Kelas dari data sampel (yang dicari)

H : Hipotesis yang dicari secara spesifik

P(H|X) : Probabilitas hipotesis berdasarkan data sampel

P(H) : Probabilitas hipotesis H (prior probability)

P(X|H) : Probabilitas X berdasarkan kondisi data sampel

P(X) : Probabilitas X
 Agar teorema Naive Bayes dapat dijelaskan maka diperlukan klasifikasi untuk
menentukan kelas yang sesuai dengan sampel data yang dianalisa. Sehingga diperlukan
rumus penyesuaian sebagai berikut:

𝑃(𝑃). 𝑃(𝑃 … 𝑃𝑃|𝑃)

𝑃 (𝑃|𝑃1 … 𝑃𝑃) =
𝑃(𝑃1 … 𝑃𝑃))

C : merupakan kelas

F1....Fn : merupakan petunjuk untuk melakukan klasifikasi

Dengan demikian rumus diatas menjelaskan bahwa peluang masuknya sampel

karakteristik tertentu dalam kelas C (Posterior) merupakan peluang munculnya kelas C
(sebelum adanya sampel) dikalikan peluang munculnya kriteria sampel pada kelas C
yang kemudian dibagi dengan peluang munculnya kriteria sampel secara keseluruhan.
Sehingga rumus diatas juga bisa dituliskan dengan:

𝑃(𝑃). 𝑃𝑃𝑃𝑃𝑃𝑃𝑃
𝑃𝑃𝑃𝑃𝑃𝑃ℎ 𝑃𝑃𝑃
𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃 =
𝑃𝑃𝑃𝑃𝑃𝑃𝑃𝑃
Dimana nilai evidence selalu tetap pada tiap-tiap kelas dalam sebuah sampel.
Sedangkan nilai dari posterior adalah perbandingan nilai antar posterior. Sehingga
rumus tersebut dapat dijabarkan sebagai berikut:

(𝑃|𝑃1 … … 𝑃𝑃) = 𝑃(𝑃). 𝑃(𝑃1 … … 𝑃𝑃|𝑃)

= 𝑃(𝑃). 𝑃(𝑃1|𝑃)𝑃(𝑃2 … 𝑃𝑃|𝑃, 𝑃1)

= 𝑃(𝑃). 𝑃(𝑃1|𝑃)𝑃(𝑃2|𝑃, 𝑃1)𝑃 (𝑃3 … 𝑃𝑃|𝑃, 𝑃1, 𝑃2)

= 𝑃(𝑃). 𝑃(𝑃1|𝑃)𝑃(𝑃2|𝑃, 𝑃1)𝑃 (𝑃3|𝑃, 𝑃1, 𝑃2)𝑃(𝑃4 … 𝑃𝑃|𝑃, 𝑃1, 𝑃2, 𝑃3)

= 𝑃(𝑃). 𝑃(𝑃1|𝑃)𝑃(𝑃2|𝑃, 𝑃1)𝑃 (𝑃3|𝑃, 𝑃1, 𝑃2) … 𝑃(𝑃𝑃|𝑃, 𝑃1, 𝑃2, 𝑃3 … 𝑃𝑃 −

1)

Hasil penjabaran rumus diatas menjelaskan bahwa jika syarat-syarat dalam

kelas semakin banyak maka semakin banyak pula nilai probabilitasnya. Hal tersebut
sangat tidak memungkinkan jika dilakukan analisa manual satu persatu karena
perhitungannya akan semakin sulit. Sehingga dapat digunakan rumus sebagai berikut:
 Persamaan diatas menjelaskan adanya asumsi independen menjadikan syarat
dalam sebuah sampel menjadi lebih sederhana dan memungkinkan dihitung dengan
rumus yang lebih disederhanakan sebagai berikut:

𝑃(𝑃|𝑃1 … 𝑃𝑃) = 𝑃 (𝑃)𝑃 (𝑃1|𝑃)𝑃 (𝑃2}𝑃) 𝑃 (𝑃3|𝑃) …

= P(C) ∏n i=1 P(F1|C)

Berikut adalah skema naive bayes :

 Mulai

Input data
integer

Konversi data
integer

Input data string

Baca data training

Tidak Apakah data Ya

numerik?

Jumlah data Mean tiap

probabilitas parameter

Tabel Standart deviasi

probabilitas tiap parameter

Tabel mean dan

standar deviasi

Solusi

Selesai

Gambar 2 Skema naive bayes

PERANCANGAN SISTEM
a. Use Case Diagram

Gambar 3: Use case diagram sistem data nasabah

b. Class diagram

Gambar 4: Class diagram

4.2.1 Struktur Basis Data
Struktur basis data sistem pendukung keputusan penerimaan karyawan yang
nantinya akan digunakan untuk menyimpan data yang diperlukan sesuai dengan class
diagram, yaitu:

1. Tabel nasabah
Primary key : Id_nasabah
Fungsi : Untuk menyimpan data nasabah

No. Field Tipe Width Keterangan

1 Id_nasabah Int 5 No id nasabah
2 Nama Varchar 25 Nama nasabah
3 Jenis_kelamin Varchar 10 Jenis kelamin
4 Usia Int 2 Usia
6 Status Varchar 15 Status marital
7 Pekerjaan Varchar 20 Pekerjaan nasabah
8 Penghasilan_tahun Int 12 Penghasilan per tahun
9 Masa_asuransi Int 2 Masa asuransi
10 Cara_pembayaran Varchar 30 Cara pembayaran

Gambar 5: Tabel nasabah

2. Tabel presentasi_kelancaran
Primary key : Id_nasabah
Fungsi : menyimpan data presentasi_kelancaran

No. Field Tipe Width Keterangan

1 Id_nasabah Int 5 ID nasabah
2 Presentasi_kelanca Varchar 25 Presentasi kelancaran
ran
3 Klasifikasi Varchar 25 Klasifikasi angsuran
4 Nilai Int 5 Nilai klasifikasi

Gambar 6 : Gambar presentasi_kelancaran

 3. Tabel calon nasabah
Primary key : Id_nasabah
Fungsi : menyimpan data calon nasabah

No. Field Tipe Width Keterangan

1 Id_nasabah Int 5 No id nasabah
2 Nama Varchar 25 Nama nasabah
3 Jenis_kelamin Varchar 10 Jenis kelamin
4 Usia Int 2 Usia
6 Status Varchar 15 Status marital
7 Pekerjaan Varchar 20 Pekerjaan nasabah
8 Penghasilan_tahun Int 12 Penghasilan per tahun
9 Masa_asuransi Int 2 Masa asuransi
10 Cara_pembayaran Varchar 30 Cara pembayaran

Gambar 7: Gambar calon_nasabah

IMPLEMENTASI PERHITUNGAN DENGAN NAIVE BAYES

Variabel-variabel yang digunakan dalam klasifikasi data nasabah asuransi antara

lain:

1. Jenis kelamin
Jenis kelamin dikelompokkan dalam dua kategori [laki-laki|perempuan].

2. Usia
Usia nasabah dikelompokkan dalam tiga kategori [20-29| 30-40| >40]

3. Status marital
Status marital dikelompokkan dalam dua kategori [kawin|tidak kawin].

4. Pekerjaan
Pekerjaan dikelompokkan dalam tiga kategori [PNS|pegawai swasta|wiraswasta].

5. Penghasilan
Penghasilan dikelompokkan dalam tiga kategori [ <2 juta|2-4 juta|>4 juta].
 6. Masa pembayaran premi
Masa pebayaran premi dikelompokkan dalam tiga kategori [5-10 tahun| 11-15 tahun| >
15 tahun]

7. Cara pembayaran
Cara pembayaran dikelompokkan dalam empat kategori [bulanan| triwulan|
semesteran| tahunan].

Diberikan data tabel nasabah sebagai berikut:

No Nama Jenis Usia Status Pekerjaan Penghasilan Masa Cara Klasifikasi

kelamin asuransi pembayaran
(tahun)
1. Bedjo Laki-laki 30-40 Kawin PNS > 4 juta > 15 th Tahunan Tidak
lancar
2. Evi Perempuan 30-40 Kawin PNS 2-4 juta 5-10 th Semesteran Lancar

3. Dina Perempuan 20-29 Kawin Pegawai < 2 juta 5-10 th Triwulan Tidak
swasta lancar
4. Bambang Laki-laki 30-40 Kawin PNS > 4 juta 11-15 Semesteran Tidak
th lancar
5. Leni Perempuan 30-40 Kawin Wiraswasta < 2 juta 11-15 Tahunan Lancar
th
6. Nofan Laki-laki 30-40 Kawin Wiraswasta 2-4 juta 11-15 Triwulan Lancar
th
7. Irfan Laki-laki 30-40 Kawin Wiraswasta 2-4 juta 11-15 Triwulan Kurang
th lancar
8. Hadi Laki-laki 30-40 Kawin PNS >4 juta 11-15 Semesteran Kurang
th lancar
9. Yuni Perempuan 30-40 Kawin PNS > 4 juta 11-15 Tahunan Lancar
th
10. Sazkia Perempuan 30-40 Kawin Pegawai 2-4 juta 11-15 Tahunan Lancar
swasta th
11. Beni Laki-laki 30-40 Kawin PNS >4 juta 11-15 Semesteran ?????
th

Untuk mengetahui klasifikasi nasabah ke 11 maka langkah-langkahnya adalah:

1. Hitung jumlah class/ label

P (Y= Lancar) = 5/10
P (Y=Kurang lancar) = 2/10

P (Y=Tidak lancar) = 3/10

2. Hitung jumlah kasus yang sama dengan label yang sama

P (Jenis kelamin= Laki-laki| Y= Lancar) = 1/4

P (Jenis kelamin= Laki-laki| Y= Kurang Lancar) = 2/2

P (Jenis kelamin= Laki-laki| Y= Tidak Lancar) = 2/3

P (Usia= 30-40 tahun | Y= Lancar) = 5/5

P (Usia= 30-40 tahun | Y= Kurang Lancar)= 2/2

P (Usia= 30 -40 tahun| Y= Tidak Lancar) = 2/2

P (Status= Kawin| Y= Lancar) = 5/5

P (Status= Kawin| Y= Kurang Lancar) = 2/2

P (Status= Kawin| Y= Tidak Lancar) = 3/2

P (Pekerjaan= PNS| Y= Lancar) = 2/5

P (Pekerjaan= PNS| Y= Kurang Lancar) = 1/2

P (Pekerjaan= PNS| Y= Tidak Lancar) = 2/3

P (Penghasilan= >4 juta| Y= Lancar) = 1/5

P (Penghasilan= >4 juta| Y= Kurang Lancar) = 1/2

P (Penghasilan= >4 juta| Y= Tidak Lancar) = 2/3

P (Masa asuransi= 11-15 tahun| Y= Lancar) = 4/5

P (Masa asuransi= 11-15 tahun| Y= Kurang Lancar) = 2/2

P (Masa asuransi= 11-15 tahun| Y= Tidak Lancar) = 1/3

P (Cara pembayaran= Semesteran| Y= Lancar) = 1/5

P (Cara pembayaran= Semesteran| Y= Kurang Lancar) = 1/2

P (Cara pembayaran= Semesteran| Y= Tidak Lancar) = 1/3

3. Kalikan semua variabel lancar, kurang lancar dan tidak lancar

Lancar = ¼ x 5/5 x 5/5 x 2/5 x 1/5 x 4/5 x 1/5

= 0,25 x 1 x 1 x 0,4 x 0,2 x 0,8 x 0,2

 = 0,0032

Kurang lancar = 2/2 x 2/2 x 2/2 x ½ x ½ x 2/2 x ½

= 1 x 1 x 1 x 0,5 x 0,5 x 1 x 0,5

= 0,125

Tidak lancar = 2/3 x 2/2 x 3/2 x 2/3 x 2/3 x 1/3 x 1/3

= 0,667 x 1 x 1,5 x 0,667 x 0,667 x 0,333 x 0,333

= 0,049

4. Bandingkan hasil class lancar, kurang lancar dan tidak lancar

Dari hasil perkalian semua cvariabel lancar, kurang lancar dan tidak lancar
diatas maka terlihat bahwa nilai probabilitas tertinggi adalah kelas (P| Kurang
lancar). Dengan demikian dapat disimpulkan bahwa status calon nasabah urutan ke
11 tersebut masuk dalam klasifikasi “Kurang lancar”.
IMPLEMENTASI SISTEM

1. Form Login

Gambar 5.1 : Form Login

Form login memiliki fungsi sebagai form keamanan sehingga aplikasi

tidak bisa diakses oleh orang yang tidak memiliki kewenangan didalamnya.
Dengan demikian untuk dapat mengakses aplikasi klasifikasi tersebut admin
harus mengisikan username dan password sebagai kunci untuk masuk ke menu
utama. Namun jika pengisian username dan password salah maka akan
ditampilkan pesan kesalahan dan aplikasi tidak dapat dijalankan.

2. Menu utama

Gambar 5.2 : Menu utama

Form menu utama berfungsi untuk menjalankan semua lembar kerja yang
ada dalam aplikasi. Form tersebut dapat diakses setelah admin berhasil
 melakukan login. Beberapa submenu yang terdapat dalam menu utama yaitu
submenu data, proses serta laporan dengan rincian sebagai berikut:

a. Submenu data
Submenu ini berisi data-data master yang digunakan dalam proses aplikasi. Data
master tersebut yaitu master data nasabah dan master data calon nasabah.

b. Submenu proses
Submenu proses merupakan submenu yang difungsikan untuk menjalankan form
proses klasifikasi calon nasabah.

c. Submenu laporan
Submenu laporan berisi laporan data nasabah dan laporan klasifikasi calon
nasabah.

3. Form daftar nasabah

Gambar 5.3 : Daftar nasabah

Form daftar nasabah difungsikan untuk melihat daftar data seluruh

nasabah asuransi. Dalam form tersebut juga dilengkapi dengan fasilitas tombol-
tombol yang dapat digunakan untuk manipulasi data nasabah antara lain tombol
baru, edit dan hapus data.

Selain tombol-tombol fungsi tersebut, dalam form daftar nasabah juga

dilengkapi dengan fasilitas pencarian data menggunakan kata kunci nama
 nasabah. Untuk mengakses form daftar nasabah tersebut, maka user melakukan
login kemudian memilih submenu daftar nasabah pada menu utama.

Jika tombol “baru” di pilih maka user akan dihadapkan pada form input
data nasabah. Kemudian jika tombol “edit” dipilih maka user akan dihadapkan
pada form edit data nasabah dan jika user memilih tombol “hapus” maka akan
ditampilkan konfirmasi penghapusan data nasabah sebelum kemudian data
nasabah benar-benar dihapus.

4. Input data nasabah

Gambar 5.4 : Input data nasabah

Form input data nasabah digunakan oleh admin untuk melakukan input
data nasabah yang nantinya akan disimpan dalam tabel nasabah. Dalam
melakukan input data nasabah semua field yang ada dalam form tersebut harus
diisikan kecuali fiel ID nasabah yang akan terisi otomatis berdasarkan nomor urut
pengisian data nasabah.

Untuk pengisian data nasabah juga diberikan batasan pengisian seperti

pesan kesalahan pengisian angka dengan huruf ataupun sebaliknya kesalahan
 pengisian huruf dengan angka. Selain itu dalam pengisian data nasabah juga
difasilitasi tombol “simpan” untuk melakukan penyimpanan data, “batal” untuk
membatalkan pengisian data, serta tombol keluar untuk keluar dari form input
data nasabah tersebut.

5. Daftar calon nasabah

Gambar 5.5 : Daftar calon nasabah

Form diatas difungsikan untuk melihat daftar calon nasabah secara detail
yang meliputi nama nasabah, jenis kelamin, usia, status, pekerjaan, penghasilan,
masa asuransi serta cara pembayaran.

Dalam form tersebut difasilitasi tombol-tombol fungsi antara lain baru,

edit dan hapus.

Jika tombol “baru” di pilih maka user akan dihadapkan pada form input
data nasabah. Kemudian jika tombol “edit” dipilih maka user akan dihadapkan
pada form edit data nasabah dan jika user memilih tombol “hapus” maka akan
ditampilkan konfirmasi penghapusan data nasabah sebelum kemudian data
nasabah benar-benar dihapus.
6. Input data calon nasabah

Gambar 5.6 : Input data calon nasabah

Form input data calon nasabah digunakan oleh admin untuk melakukan
input dan edit data calon nasabah. Dalam form tersebut dilengkapi dengan
fasilitas tombol simpan, batal serta tombol keluar.

7. Daftar klasifikasi calon nasabah

Gambar 5.7 : Daftar klasifikasi calon nasabah

 Form daftar klasifikasi calon nasabah berisi informasi detail mengenai
daftar klasifikasi calon nasabah. Dalam form tersebut dijelaskan mengenai
klasifikasi calon nasabah ke dalam klasifikasi lancar, kurang lancar atau tidak
lancar.

8. Input klasifikasi calon nasabah

Gambar 5.8 : Input klasifikasi calon nasabah

Form input klasifikasi calon nasabah akan ditampilkan jika admin

memilih tombol “proses klasifikasi” pada form daftar klasifikasi calon nasabah.
Form tersebut digunakan untuk memproses klasifikasi calon nasabah yang
nantinya akan menghasilkan klasifikasi nasabah kedalam status lancar, kurang
lancar atau tidak lancar.

Dalam form tersebut, admin hanya perlu memilih ID calon nasabah yang
akan diklasifikasikan kemudian pilih tombol proses, maka dengan sendirinya
sistem akan mengklasifikasikan calon nasabah tersebut.
9. Laporan data nasabah

Gambar 5.9 : Laporan data nasabah

Laporan data nasabah merupakan informasi detail nasabah asuransi pada PT.
BNI Semarang.

10. Pilihan laporan klasifikasi nasabah

Gambar 5.10 : Pilihan laporan klasifikasi nasabah

Laporan klasifikasi nasabah disajikan dalam beberapa pilihan yaitu Lancar,

Kurang lancar, Tidak lancar dan semua nasabah.
 DAFTAR PUSTAKA

[1] Bustami. Penerapan Algoritma Naive Bayes untuk Mengklasifikasi Data Nasabah
Asuransi. Jurnal Penelitian Teknik Informatika. Tanpa tahun
[2] Dedy Ahmad Kurniawan, Danny Kriestanto. Penerapan Naive Bayes untuk Prediksi
Kelayakan Kredit. Jurnal Informatika dan Komputer (JIKO) – Vol. 1, No. 1. 2016
[3] Hendra Bashori. Implementasi Metode Naive Bayes Classifier untuk Penentuan
Pemberian Kredit. Artikel Skripsi Universitas Nusantara PGRI Kediri. 2015
[4] Sunjana. Klasifikasi Data Nasabah sebuah Asuransi Menggunakan Algoritma C4.5.
Seminar Nasional Aplikasi Teknologi Informasi. 2010
[5] KUHD pasal 246 tentang asuransi
[6] Undang-undang No.2 tahun 1992 Pasal 1 ayat 1 tentang usaha pengasuransian
[7] Kusrini dan Emha Taufik Luthfi, Algoritma Data Mining, Andi, Yogyakarta, 2009
[8] Santoso, Budi, Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis, Graha
Ilmu, Yogyakarta, 2007
[9] Pramudiono, Pengantar Data Mining: Menambang Permata Pengetahuan di Gunung
Data, http:///www.ilmukomputer.org/wp-content/unploads/2006/08/iko-datamining.zip,
diakses 8 Juni 2016