LAPORAN AKHIR

PENELITIAN MAHASISWA

IMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOR(K-NN)

KLASIFIKASI KREDIT MOTOR

PENGUSUL :

(Irma Suryani Tampubolon 18110630, Christin Vebiola Nababan 17110299 , Lulu

Nurhidayanti Nst 17110431 )

SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN

KOMPUTER
STMIK BUDIDARMA
2020
PENGESAHAN PENELITIAN MAHASISWA

1. Judul Penelitian : Implementasi Algoritma K-neareat Neighbor

(K-NN) Klasifikasi kredit motor
2. Bidang Ilmu :
3. Ketua Peneliti
a. Nama Lengkap : Irma Suryani Tampubolon
b. NPM : 18110630
c. Fakultas/Jurusan : Sistem Informasi
4. Anggota (1)
a. Nama Lengkap : Christin Vebiola Nababan
b. NPM : 17110299
c. Fakultas/Jurusan : Sistem Informasi
5. Anggota (2)
a. Nama Lengkap : Lulu Nurhidayanti Nst
b. NPM : 17110431
c. Fakultas/Jurusan : Sistem Informasi
6. Waktu Penelitian :

Menyetujui,
Dosen Pembimbing Penelitian Ketua Peneliti

Efori Buulolo Irma Suryani Tampubolon

0112118801 18110630

Mengetahui, Menyetujui,
Ketua Program Studi Kepala P3M

Nelly Astuti Hsb,M.Kom Surya Darma Nst, M.Kom

0111108401 0115019001

i
 ABSTRAK

Penentuan kelayakan pengajuan kredit motor pada sebuah perusahaan leasing adalah hal penting,
mengingat jika terjadi kesalahan pengambilan keputusan maka akan berdampak pada kerugian
perusahaan FIF Group. Oleh karena itu penulis membuat Sistem Penunjang Keputusan dengan
metode K-nearest Neighbor untuk menentukan kelayakan pengajuan kredit sepeda motor. Algoritma
K-Nearest Neighbor (K-NN) merupakan salah satu algoritma dalam data mining untuk
mengklasifikasikan objek yang baru berdasarkan mayoritas dari kategori tetangga yang
terdekat.Algoritma clustering K-NN dengan menggunakan data penghasilan, pekerjaan, jumlah
tanggungan dan kepemilikan rumah dapat mengelompokkan calon Pengkredit baru sehingga
lebih memudahkan staf untuk menentukan penerimaan calon pengkredit sepeda motor yang
baru.

ii
 KATA PENGANTAR

Segala puji syukur kepada Tuhan Yang Maha Esa , atas segala berkat dan
pertolongan kepada penulis sehingga penelitian internal dengan jugul “Implementasi
Algoritma K-neareat Neighbor(K-NN) Klasifikasi kredit motor” , dapat terselesaikan
.Penulis mengucapkan terimakasih kepada, Bapak Efori Buulolo,M.Kom sebagai
pembimbing.
Penulis berharap dengan penelitian ini dapat memberikan manfaat kepada semua
pihak yang terkait, Sekian dan terimakasih.

Medan, 20 Februari 2020

Peneliti

Irma Suryani Tampubolon

18110630

iii
 DAFTAR ISI

Pengesahan
Abstrak
Kata Pengantar
Daftar Isi
Daftar Gambar
Daftar Tabel
BAB I : PENDAHULUAN
1.1 Latar Belakang.................................................................................................. 1
1.2 Rumusan Masalah............................................................................................. 2
1.3 Batasan Masalah............................................................................................... 2
1.4 Tujuan Penelitian.............................................................................................. 2
BAB II : TINJAUAN PUSTAKA
2.1 Data Mining...................................................................................................... 3
2.2 Algoritma K-Nearest Neighbor(K-NN)............................................................ 7
2.3 Karakteristik Algoritma K-Nearest Neighbor(K-NN)...................................... 7
2.4 Klasifikasi Kredit Motor.................................................................................. 8
BAB III : TUJUAN DAN MANFAAT
3.1 Tujuan............................................................................................................. 10
3.2 Manfaat........................................................................................................... 10
BAB IV : METOLOGI PENELITIAN
4.1 Kerangka Kerja............................................................................................... 11
4.2 Uraian Kerangka Kerja................................................................................... 11
BAB V : HASIL DAN PEMBAHASAN
5.1 Hasil dan Pembahasan.................................................................................... 14
BAB VI : KESIMPULAN DAN SARAN
6.1 Kesimpulan..................................................................................................... 19
6.2 Saran............................................................................................................... 19
DAFTAR PUSTAKA

iv
 DAFTAR GAMBAR

gambar 2.1 langkah-langkah untuk melakukan data mining............................................ 3

Gambar 2.2 Pengelompokan Data dengan Algoritma K-NN........................................... 8
Gambar 4.1 Kerangka kerja penelitian............................................................................. 11

v
 DAFTAR TABEL

Tabel 5.1 Data orang yang mengajukan pengkreditan Sepeda Motor ..................................... 14
Tabel 5.2 Nilai variabel Kriteria Status Menikah .............................................................. 15
Tabel 5.3 Nilai variabel Kriteria Pendidikan..................................................................... 15
Tabel 5.4 Nilai variabel Kriteria Pekerjaan....................................................................... 15
Tabel 5.5 Nilai variabel Kriteria Tanggungan.................................................................... 15
Tabel 5.6 Nilai variabel Kriteria Kepemilikan rumah ........................................................ 15
Tabel 5.7 Calon Pengkredit Setelah Diubah Kedalam Angka ............................................... 16
Tabel 5.8 Calon Pengkredit Baru....................................................................................... 16
Tabel 5.9 Calon Pengkredit Baru Setelah Diubah Kedalam Angka................................ ........... 16

vi
 BAB I
PENDAHULUAN

1.1 Latar Belakang Masalah

Jalan raya dikota medan yang semakin rumit memaksa para pengguna jasa angkutan
umum dan juga pejalan kaki untuk beralih menggunakan kendaraan pribadi,salah satu
kendaraan yang diminati yaitu sepeda motor. Banyak masyarakat yang ingin memiliki
sepeda motor tetapi tidak memiliki dana yang cukup untuk membeli sepeda motor secara
tunai. Tentu membutuhkan suatu cara untuk memiliki motor tetapi dengan cara sistem
pembayarann secara kredit.
Para produsen motor memanfaatkan peluang ini untuk bersaing memberikan kredit
yang mudah sehingga diminati banyak konsumen. Secara umum pemberian kredit pada
sebuah perusahaan produsen didasarkan pada kegiatan analisa kredit. Untuk mendapatkan
kredit motor konsumen harus mengikuti prosedur yang berlaku diperusahaan yang
bersangkutan. Analisa yang dilakukan dengan cara interview,pengisian propoposal dan
kelengkapan data serta dilakukan survei lapangan. Untuk kemudian produsen motor
melakukan kegiatan administrasi kredit. Sejauh ini untuk dapat menentukan konsumen
yang berhak mendapatkan kredit dengan administrasi yang meliputi kegiatan analisis
secara kuantitatif dan kualitatif memerlukan waktu yang cukup lama karena data yang
disajikan tidak berbentuk angka dan membutuhkan pertimbangan yang cukup lama.
Untuk membantu mengatasi masalah tersebut,maka penulis membuat sistem
pendukung pengambilan keputusan dalam kredit sepeda motor,agar pengguna yang dalam
hal ini adalah manager, tidak kesulitan untuk menentukan memberikan kredit atau tidak.
Serta mempersingkat pengerjaan waktu dalam analisa kredit,agar konsumen tidak
cenderung mencari produsen lain yang dapat memproses analisa kredit secara lebih
cepat.
Beberapa masalah juga sering terjadi padalembaga pengkreditan misalkan tunggakan

konsumen yangsebelumnya dianggap layak menerima kredit, namun macet dalam

pembayaran kredit. Munculnya masalah tersebut diakibatkan kurangnyapertimbangan atau
kemantapan analisis kredit dalam menentukan kelayakan kredit pada saatkonsumen

1
 mengajukan pengkreditan. Oleh karena itu perlu dilakukan analisis kredit sehingga
dapat mengetahui kelayakan dari suatu permasalahan kredit, melalui hasil analisis
kreditnya, dapat diketahui apakah nasabah layak atau tidak untuk mendapatkan kredit.

1.2 Rumusan Masalah

Adapun permasalahan dalam penelitian ini adalah sebagai berikut:

1. Apa atribut yang digunakan untuk menentukan kelayakan calon pengkredit motor ?
2. Bagaimana mengimplementasikan algorita K-Nearest Neighbor dalam
pengelompokan calon pengkredit motor yang pantas mendapatkan kredit di FIF
Group ?

1.3 Batasan Masalah

Adapun batasan masalah dalam penelitian ini adalah sebagai berikut :

1. Data yang digunakan adalah data dari calon pengkredit motor yang mengajukan
kredit sebulan terakhir.
2. Data yang digunakan untuk pengujian adalah data pengkredit yang sudah diterima
yaitu 3 bulan terakhir.

1.4 Tujuan penelitian

Untuk mengetahui apakah metode K-Nearest Neighbor dapat mempermudah nasabah

FIF (Federal International Finance) Group untuk menetukan apakah calon pengkredit
sepeda motor dapat menerima kreditberdasarkan pengelompokan atribut kriteria yang
sudah ditentukan.

2
 BAB II

TINJAUAN PUSTAKA

2.1 Data Mining

Data mining adalah proses mencari pola atau informasi menarik dalam data terpilih dengan
menggunakan teknik atau metode tertentu. Teknik-teknik, metode-metode, atau algoritma dalam
data mining sangat bervariasi. Pemilihan metode atau algoritma yang tepat sangat bergantung pada
tujuan dan proses Knowledge Discovery in Database (KDD) secara keseluruhan[4]. Dimana
langkah-langkah untuk melakukan data mining adalah sebagai berikut :

gambar 2.1 langkah-langkah untuk melakukan data mining

Tahap-tahap data mining ada 7 yaitu :

1. Pembersihan data (data cleaning) Pembersihan data merupakan proses menghilangkan

noise dan data yang tidak relevan. Pada umumnya data yang diperoleh, baik dari database
memiliki isian-isian yang tidak sempurna seperti data yang hilang, data yang tidak valid
atau juga hanya sekedar salah ketik.Datadata yang tidak relevan itu juga lebih baik
dibuang. Pembersihan data juga akan mempengaruhi performasi dari teknik data mining
karena data yang ditangani akan berkurang jumlah dan kompleksitasnya.

3
2. Integrasi data (data integration) Integrasi data merupakan penggabungan data dari berbagai
database ke dalam satu database baru.Integrasi data perlu dilakukan secara cermat karena
kesalahan pada integrasi data bisa menghasilkan hasil yang menyimpang dan bahkan
menyesatkan pengambilan aksi nantinya. Sebagai contoh bila integrasi data berdasarkan
jenis produk ternyata menggabungkan produk dari kategori yang berbeda maka akan
didapatkan korelasi antar produk yang sebenarnya tidak ada.
3. Seleksi Data (Data Selection) Data yang ada pada database sering kali tidak semuanya
dipakai, oleh karena itu hanya data yang sesuai untuk dianalisis yang akan diambil dari
database. Sebagai contoh, sebuah kasus yang meneliti faktor kecenderungan orang
membeli dalam kasus market basket analysis, tidak perlu mengambil nama pelanggan,
cukup dengan id pelanggan saja.
4. Transformasi data (Data Transformation) Data diubah atau digabung ke dalam format yang
sesuai untuk diproses. Sebagai contoh beberapa metode standar seperti analisis asosiasi
dan clustering hanya bisa menerima input data kategorikal. Karenanya data berupa angka
numerik yang berlanjut perlu dibagi-bagi menjadi beberapa interval. Proses ini sering
disebut transformasi data.
5. Proses mining Merupakan suatu proses utama saat metode diterapkan untuk menemukan
pengetahuan berharga dan tersembunyi dari data.
6.Evaluasi pola (pattern evaluation) Untuk mengidentifikasi pola-pola menarik kedalam
knowledge based yang ditemukan. Dalam tahap ini hasilnya berupa pola-pola yang khas
maupun model prediksi dievaluasi untuk menilai apakah hipotesa yang ada memang
tercapai.
7. Presentasi pengetahuan (knowledge presentation) Merupakan visualisasi dan penyajian
pengetahuan mengenai metode yang digunakan untuk memperoleh pengetahuan yang
diperoleh pengguna.Tahap terakhir adalah bagaimana memformulasikan keputusan atau
aksi dari hasil analisis yang didapat.Karenanya presentasi dalam bentuk pengetahuan yang
bisa dipahami semua orang adalah satu tahapan yang diperlukan.Dalam presentasi ini,
visualisasi juga bisa membantu mengkomunikasikan hasil data mining [2]

2.1.1 Arsitektur data mining

1. Database, data warehouse, atau tempat penyimpanan informasi lainnya.

2. Server database atau data warehouse.
3. Knowledge base
4. Data mining engine.

4
 5. Pattern evolution module.
6. Graphical user interface.

2.1.2 Jenis data dalam data mining

1. Relation Database : Sebuah sistem database, atau disebut juga database management
system (DBMS), mengandung sekumpulan data yang saling berhubungan, dikenal sebagai
sebuah database, dan satu set program perangkat lunak untuk mengatur dan mengakses
data tersebut.
2. Data Warehouse : Sebuah data warehouse merupakan sebuah ruang penyimpaan informasi
yang terkumpul dari beraneka macam sumber, disimpan dalam skema yang menyatu, dan
biasanya terletak pada sebuah site.

2.1.3 Fungsi Data Mining 

Data mining mempunyai fungsi yang penting untuk membantu mendapatkan informasi
yang berguna serta meningkatkan pengetahuan bagi pengguna. Pada dasarnya, data mining
mempunyai empat fungsi dasar yaitu:
1. Fungsi Prediksi (prediction). Proses untuk menemukan pola dari data dengan
menggunakan beberapa variabel untuk memprediksikan variabel lain yang tidak
diketahui jenis atau nilainya.
2. Fungsi Deskripsi (description). Proses untuk menemukan suatu karakteristik penting dari
data dalam suatu basis data. 
3. Fungsi Klasifikasi (classification). Klasifikasi merupakan suatu proses untuk
menemukan model atau fungsi untuk menggambarkan class atau konsep dari suatu data.
Proses yang digunakan untuk mendeskripsikan data yang penting serta dapat
meramalkan kecenderungan data pada masa depan. 
4. Fungsi Asosiasi (association). Proses ini digunakan untuk menemukan suatu hubungan
yang terdapat pada nilai atribut dari sekumpulan data.

2.1.4 Proses Data Mining 

Proses yang umumnya dilakukan oleh data mining antara lain: deskripsi, prediksi,
estimasi, klasifikasi, clustering dan asosiasi. Secara rinci proses data mining dijelaskan
sebagai berikut .

5
a. Deskripsi 

Deskripsi bertujuan untuk mengidentifikasi pola yang muncul secara berulang pada suatu
data dan mengubah pola tersebut menjadi aturan dan kriteria yang dapat mudah dimengerti
oleh para ahli pada domain aplikasinya. Aturan yang dihasilkan harus mudah dimengerti
agar dapat dengan efektif meningkatkan tingkat pengetahuan (knowledge) pada sistem.
Tugas deskriptif merupakan tugas data mining yang sering dibutuhkan pada teknik
postprocessing untuk melakukan validasi dan menjelaskan hasil dari proses data mining.
Postprocessing merupakan proses yang digunakan untuk memastikan hanya hasil yang
valid dan berguna yang dapat digunakan oleh pihak yang berkepentingan.

b. Prediksi 

Prediksi memiliki kemiripan dengan klasifikasi, akan tetapi data diklasifikasikan

berdasarkan perilaku atau nilai yang diperkirakan pada masa yang akan datang. Contoh
dari tugas prediksi misalnya untuk memprediksikan adanya pengurangan jumlah
pelanggan dalam waktu dekat dan prediksi harga saham dalam tiga bulan yang akan
datang.

c. Estimasi 
Estimasi hampir sama dengan prediksi, 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.
Sebagai contoh, akan dilakukan estimasi tekanan darah sistolik pada pasien rumah sakit
berdasarkan umur pasien, jenis kelamin, berat badan, dan level sodium darah. Hubungan
antara tekanan darah sistolik dan nilai variabel prediksi dalam proses pembelajaran akan
menghasilkan model estimasi.

d. Klasifikasi 

Klasifikasi merupakan proses menemukan sebuah model atau fungsi yang

mendeskripsikan dan membedakan data ke dalam kelas-kelas. Klasifikasi melibatkan
proses pemeriksaan karakteristik dari objek dan memasukkan objek ke dalam salah satu
kelas yang sudah didefinisikan sebelumnya.

6
E Clustering

clustering merupakan pengelompokan data tanpa berdasarkan kelas data tertentu ke dalam
kelas objek yang sama. Sebuah kluster adalah kumpulan record yang memiliki kemiripan
suatu dengan yang lainnya dan memiliki ketidakmiripan dengan record dalam kluster lain.
Tujuannya adalah untuk menghasilkan pengelompokan objek yang mirip sato sama lain
dalam kelompok-kelompok. Semakin besar kemiripan objek dalam suatu cluster dan
semakin besar perbedaan tiap cluster maka kualitas analisis cluster semakin baik.

f. Asosiasi

Tugas asosiasi dalam data mining adalah menemukan atribut yang muncul dalam suatu
waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang belanja (market basket
analisys). Tugas asosiasi berusaha untuk mengungkap aturan untuk mengukur hubungan
antara dua atau lebih atribut[3]

2.2 Algoritma K-Nearest Neighbor(K-NN)

Algoritma K-Nearest Neighbor(K-NN) adalah salah satu algoritma dalam data mining
untuk mengklasifikasikan objek yang baru berdasarkan mayoritas dari kategori tetangga
yang terdekat. Dalam proses pengklasifikasian
menggunakan nilai dari attribute kriteria dari sample data dan nilai dari
attribute kriteria data baru yang akan dicari klasifikasinya.[2]

2.3 Karakteristik Algoritma K-Nearest Neighbor(K-NN)

Berikut adalah langkah-langkah proses pengklasifikasian dalam algoritma Knearest

Neighbor.

7
 Gambar 2.2 Pengelompokan Data dengan Algoritma K-NN

Untuk perhitungan jarak menggunakan persamaan Euclidean Distance sebagai berikut:

2.4 Klasifikasi Kredit Motor

Kredit Motor adalah kredit atau fasilitas pinjaman yang bertujuan untuk membiayai

pembelian motor di mana sumber pembayaran kreditnya berasal dari pendapatan pemohon
yang dapat diajukan baik secara perorangan maupun instansi, dengan maksimum
pembiayaan hingga jumlah tertentu beserta jaminan BPKB motor yang
dibeli.Seperti kredit mobil, dalam Kredit Motor terdapat suku bunga yang harus
dibayarkan untuk membeli motor. Suku bunga adalah pembayaran ekstra yang harus
disetorkan selain uang yang dipinjam. Tiap instansi pengkreditan menawarkan suku bunga
kredit yang bervariasi tergantung kesepakatan dan beberapa faktor lain, seperti jenis
motor, status keuangan, dan riwayat kredit calon nasabah. Riwayat kredit ini bisa

8
didaptakan bila anda sebelumnya sudah pernah melakukan kredit . Dengan memiliki
riwayat kredit yang baik, tentu saja akan lebih mempermudah pengajuan kredit motor
Anda.
Pemberian Kredit kepada masyarakat dilakukan melalui suatu perjanjian kredit antara
pemberi dengan penerima kredit sehingga terjadi hubungan hukum antara keduanya.
peraturan untuk pemberian kredit yang isinya telah disetujui sepenuhnya oleh peminjam
dan merupakan bagian yang tidak terpisahkan dari perjanjian kredit yang telah diberikan
oleh instansi pengkreditan sebagaimana instansi memberi Kredit. Proses pelaksanaan
prosedur Kredit melalui tahapan-tahapan yang tak sedikit yang di antaranya prosedur
untuk calon pengkredit yaitu instansi menyerahkan aplikasi permohonan kredit yang harus
di isi oleh calon pengkredit dan melakukan wawancara kepada calon pengkredit guna
memberikan kepercayaan kepada instansi bahwa si calon pengkredit benar-benar ingin
mengajukan Kredit Motor pada instansi pengkreditan yang bersangkutan sesuai dengan
persyaratan yang ada.
Problemmatik pelaksanaan pemberian kredit yang dilakukan oleh bank tentu saja tidak
selalu berjalan mulus sesuai harapan sehingga dalam pelaksanaanya PT. BPR Asia
Bintang Cemerlang harus hati-hati. PT. BPR Asia Bintang Cemerlang harus dapat
bersikap bijak dalam memberikan pinjaman atau kredit kepada masyarakat sehingga
dalam hal ini pihak PT. BPR Asia Bintang Cemerlang harus meperhatikan prinsip-prinsip
penyaluran atau pemberian kredit. Prinsip penyaluran kredit adalah prinsip kepercayaan,
tentang waktu, degree of risk, resiko, prestasi/objek kredit. Indikator dari pemberian kredit
ini adalah kepercayaan moral, komersial, finansial, dan angunan.
Masalah yang sering timbul dalam pelaksanaan perjanjian kredit adalah keadaan
dimana pengkredit lalai untuk melakukan kewajibannya atau yang biasanya disebut
wanprestasi. Fakta yang sering kali terjadi dilapangan adalah pengkredit terlambat dalam
melakukan pembayaran baik cicilan maupun bunga. Oleh karena sebelum menyetujui
pengajuan kredit instansi selalu melakukan survei baik kelapangan langsung ke tempat
calon pengkredit.Untuk mengatasi masalah tesebut, sangat diperlikan pengelompokan data
calon pengkredit yang dapat melakukan kredit berdasarkan pekerjaan, penghasilan dan
lainnya. Algoritma K-Nearest Neighbor(K-NN) adalah salah satu algoritma dalam data
mining untuk mengklasifikasikan objek yang baru berdasarkan mayoritas dari kategori
tetangga yang terdekat. Dalam proses pengklasifikasianmenggunakan nilai dari attribute
kriteria dari okj data dan nilai dariattribute kriteria data baru yang akan dicari klasifikasiny

8
 BAB III
TUJUAN DAN MANFAAT

3.1 Tujuan

Adapun tujuan dari penelitian ini adalah sebagai berikut :

1. Mengetahui pengelompokkan atribut kriteria untuk calon pengkedit sepada motor.
2. Mengimplementasikan algoritma K-Nearest Neinghbor dalam penentuan pengajuan
kredit sepeda motor.

3.2 Manfaat

Adapun manfaat dari penelitian ini adalah sebagai berikut :

1. Untuk mempermudah nasabah pengkreditan motor FIF Group dalam menentukan
kelayakan penerimaan pengajuan kredit sepeda motor.
2. Memenuhi tugas perkuliahanData Mining semester V STMIK BUDI DARMA Medan.

10
 BAB IV
METOLOGI PENELITIAN

4.1 Kerangka Kerja (Frame work)

Dalam sebuah penelitian harus ada tahapan yang sistematis , adapun tahapan-tahapan
tersebut adalah sebai berikut :

Gambar 4.1 Kerangka kerja penelitian

4.2 Uraian Kerangka Kerja

Berdasarkan kerangka kerja yang sudah dibuat, maka uraian langkah-langkah / kerangka
kerja dituliskan seperti berikut ini:

1. Studi Pendahuluan

Langkah yang paling awal dalam penelitian ini adalah studi pendahuluan, yaitu
mempelajari masalah yang diteliti. Agar penelitian ini fokus pada bidang yang diteliti
maka harus ruang lingkup masalah yang akan diteliti harus ditentukan terlebih dahulu,
karena tanpa menentukan serta mendefenisikan ruang lingkup masalah yang akan diteliti,
maka tidak pernah ada solusi dari masalah tersebut.

11
2. Studi Literatur

Untuk mencapai tujuan yang akan diinginkan, maka perlu dipelajari beberapa literatur
yang akan digunakan. Kemudian literatur yang dipelajari tersebut dipilih untuk dapat
ditentukan sebagai literatur mana yang akan digunakan dalam sebagai referensi untuk
penelitian.
Dari studi literatur yang telah tersedia, maka dipelajari teori yang berhubungan dengan
clustering K-Nearest Neighbor dan data mining yang akan dibahas. Teori-teori tersebut
diatas berdasarkan sumber berupa jurnal maupun situs internet yang berhubungan dengan
data mining.

3. Pengumpulan Data

Metode yang digunakan dalam proses pengumpulan data dalam penelitian ini sumber
berupa jurnal maupun situs internet yang berhubungan dengan data mining.

4. Identifikasi masalah

agar Agar penulis mengetahui masalah langsung yang dihadapi, makan penulis melakukan
identifikasi masalah, dalam tahap ini penulis melakukan identifikasi masalah yang
berhubungan dengan pengelompokkan calon pengkredit baru pada FIF Group.

5. Analisis Data

Tahap selanjutnya yang dilakukan oleh penulis adalah analisis data, dengan tujuan agar
penulis mengetahui dan memperoleh gambaran yang jelas bagaimana bentuk penyelesaian
data dan algoritma apa yang dapat digunakan untuk penyelesaiannya. Dalam penelitian ini
penulis menggunakan algoritma data mining clustering K-Nearest Neighbor

6. Implementasi

Implementasi merupakan suatu cara untuk menerapkan algoritma yang digunakan

terhadap data yang telah tersedia. Pada penelitian ini penulis menggunakan algoritma
clustering K- Nearest Neighbor dan data calon pengkredit baru sebelumnya.

7. Pengujian

12
 Untuk membuktikan hasil dari implementasi, maka dilakukan pengujian terhadap data
yang sama yaitu data yang digunakan pada implementasi. Tools yang digunakan untuk
pengujian adalah tools data mining Tanagra dan aplikasi database Ms. Excel.

8. Laporan

Hasil dari proses analisis data dan implementasi dituangkan kedalam laporan hasil
penelitian dan publikasi dalam bentuk jurnal

13
 BAB V
HASIL DAN PEMBAHASAN

5.1 Hasil dan Pembahasan

Data pemohon yang meliputi data 5K akan dimasukkan ke dalam sistem oleh petugas
administrasi. Data tersebut lalu oleh sistem akan ditentukan kategorinya, apakah prima,
hati-hati atau resiko. Data kategori dari pemohon kredit baru kemudian dicocokkan
dengan data kategori kasus lama yang telah tersimpan di database, apabila terdapat data
kategori yang sama persis maka keputusan sistem akan mengambil hasil keputusan kasus
lama. Namun apabila data kategori pemohon kredit baru tidak ada yang sama persis
dengan data kategori di database maka untuk menentukan pengajuan kredit diterima atau
ditolak, dilakukan dengan menggunakan metode K-Nearest Neighbor.

Kriteria yang digunakan sebagai penilaian dalam memberikan kredit sepeda motor.
No Nama Penda Status Pendidikan Pekerjaan Tanggungan Rumah keterang
patan an
1 M. 2 jt Belum SLTA Karyawan 0 orang kontrak ditolak
Abdul menikah
nst
2 Enceng 4 jt Sudah S1 PNS 3 orang Milik diterima
supriya menikah instansi
nto
3 Kumala 3 jt Sudah SLTA karyawan 1 orang Milik diterima
desri menikah sendiri
4 Novi ta 4 jt Belum S1 Wiraswasta 0 orang Kontrak diterima
Tuman menikah
ggor
5 Pandoy 2,5 jt Sudah SLTA Wiraswasta 3 orang Milik ditolak
o menikah sendiri
Turnip
6 Erlin 3 jt Belum SLTA BUMN 0 orang Kontrak diterima
Manuru menikah
ng
7 Lukama 3 jt Sudah D3 wiraswasta 1 orang keluarga diterima
n Suro menikah
so
8 Edian 2 jt Belum S1 wiraswasta 5 orang Milik Ditolak
Supriya menikah sendiri
nto
9 Maria 2,5 jt Belum SLTA Karyawan 3 orang Milik Ditolak
Sitin menikah sendiri
jak
10 David 2 jt Belum SLTA karyawan 0 orang Milik Ditolak
Lubis menikah Sendiri
Tabel 5.1 Data orang yang mengajukan pengkreditan Sepeda Motor

14
Penyelesaian:
Algoritma K-NN tidak dapat memproses nilai attribute kriteria dalam bentuk
huruf, oleh karena itu nilai attribute dirubah kedalam bentuk variabel angkat
seperti berikut:

Attribute Status:
Status Variabel angka
menikah 1
Belum menikah 2
Tabel 5.2 Nilai variabel Kriteria Status Menikah

Attribute Pendidikan :
Pendidikan Variabel angka
S2 1
S1 2
D3 3
SLTA 4
Tabel 5.3 Nilai variabel Kriteria Pendidikan

Attribute pekerjaan :
Pekerjaan Variabel angka
PNS 1
BUMN 2
Wiraswasta 3
karyawan 4
Tabel 5.4 Nilai variabel Kriteria Pekerjaan
Attribute Tanggungan :
Tanggungan Variabel angka
0 orang 1
1-2 orang 2
3-4 orang 3
5-6 orang 4
>7 orang 5
Tabel 5.5 Nilai variabel Kriteria Tanggungan

Attribute Kepemilikan Rumah:

Rumah Vaiabel angka
Milik sendiri 1
keluarga 2
instansi 3
Kontrakan/Sewa 4
Tabel 5.6 Nilai variabel Kriteria Kepemilikan rumah

15
 No Nama Pendapatan Status Pendidikan Pekerjaan
Tanggu Rumah Keterangan
ngan
1 A 2000 2 4 4 0 4 Ditolak
2 B 4000 1 2 1 3 3 Diterima
3 C 3000 1 4 4 1 1 Diterima
4 D 4000 2 2 3 0 4 Diterima
5 E 2500 1 4 3 3 1 Ditolak
6 F 3000 2 4 2 0 4 Diterima
7 G 3000 1 3 3 1 2 Diterima
8 H 2000 2 2 3 5 1 Ditolak
9 I 2500 2 4 4 3 1 Ditolak
10 J 2000 2 4 1 0 1 Ditolak
Tabel 5.7 Calon Pengkredit Setelah Diubah Kedalam Angka

No Nama Penda Status Pendidi Pekerja Tangg Ruma Keteranga

patan kan an u ngan h n
1 Mulia 5 jt menikah S1 Karyawan 1 orang Milik ???
Karlina Sendiri
Sarumaha
Tabel 5.8 Calon Pengkredit Baru

No Nama Pendapata Status Pendidikan Pekerjaan Tanggu Ruma Keterangan

n ngan h
1 z 5000 jt 1 2 4 1 1 ???
Tabel 5.9 Calon Pengkredit Baru Setelah Diubah Kedalam Angka

2 2 2
√(a1−C a) +( b 1−C b ) ²+( c 1−C c ) ²+( d 1−C d ) ²+ ( e 1−C e ) +(f 1−C f )
d(x1,c) =

2 2 2
=√ (2000−50 00) + ( 2−1 ) ²+ ( 4−2 ) ²+ ( 4−4 ) ²+ ( 0−1 ) + ( 4−1 ) = 3000,002

2 2 2 2 2 2
d(x2,c) = √ ( a 2−Ca ) +( b 2−Cb ) +( c 2−Cc ) +( d 2−Cd ) + ( e 2−Ce ) + ( f 2−Cf )
2 2 2 2 2 2
=√ ( 4000−50 00 ) + ( 1−1 ) + ( 2−2 ) + ( 1−4 ) + ( 3−1 ) + ( 3−1 ) = 1000,008

2 2 2
d(x3,c) = √(a3−Ca) +( b 3−Cb ) ²+( c 3−Cc ) ²+ ( d 3−Cd ) ²+( e 3−Ce ) + ( f 3−Cf )
2 2 2
= √ (3 000−5000) + ( 1−1 ) ²+ ( 4−2 ) ²+ ( 4−4 ) ²+ ( 1−1 ) + ( 1−1 ) = 2000,001

2 2 2
d(x4,c) = √(a 4−C a) +( b 4−Cb ) ²+( c 4−Cc ) ²+( d 4−Cd ) ²+ ( e 4−Ce ) +( f 4−Cf )
2 2 2
= √(4000−5000) +( 2−1 ) ²+( 2−2 ) ²+ ( 3−4 ) ²+( 0−1 ) +( 4−1 ) = 1000,001

2 2 2
d(x5,c) = √(a5−Ca) +( b 5−Cb ) ²+( c 5−Cc ) ²+( d 5−Cd ) ²+( e 5−Ce ) +( f 5−Cf )

16
 2 2 2 2 2 2
= √ ( 25 00−5000 ) +( 1−1 ) +( 4−2 ) + ( 3−4 ) +( 3−1 ) +( 1−1 ) = 2500,002

2 2 2
d(x6,c) = √(a6−Ca) +( b 6−Cb ) ²+( c 6−Cc ) ²+( d 6−Cd ) ²+( e 6−Ce ) +( f 6−Cf )

16
 2 2 2
= √(3 000−5000) +( 2−1 ) ² +( 4−2 ) ²+( 2−4 ) ² +( 0−1 ) +( 4−1 ) = 2000,005

d(x7,c) = √(a7−Ca)2+( b 7−Cb ) ²+( c 7−Cc ) ²+( d 7−Cd ) ²+(e 7−Ce)²+(f 7−Cf )2 =

√(3 000−5000)2+( 1−1 ) ²+ ( 3−2 ) ²+ ( 3−4 ) ²+(1−1) ²+(2−1)2 = 2000,001

d(x8,c) = √(a 8−Ca)2+ ( b 8−Cb ) ²+( c 8−Cc ) ²+ ( d 8−Cd ) ²+( e 8−Ce) ²+(f 8−Cf )2
= √ (20 00−5000)2+ ( 2−1 ) ²+ ( 2−2 ) ²+ ( 3−4 ) ²+(5−1)²+(1−1)2 = 3000,003

d(x9,c) = √(a 9−Ca)2+ ( b 9−Cb ) ²+( c 9−Cc ) ²+ ( d 9−Cd ) ²+(e 9−Ce)²+(f 9−Cf )2
= √ (25 00−5000)2+ ( 2−1 ) ²+ ( 4−2 ) ²+ ( 4−4 ) ²+(3−1)²+(1−1)2 = 2500,002

d(x10,c) = √(a10−Ca)2 + ( b 10−Cb ) ²+ ( c 10−Cc ) ²+ ( d 10−Cd ) ²+(e 10−Ce) ²+(f 10−Cf )2

= √ (2 000−5000)2 + ( 2−1 ) ²+ ( 4−2 ) ²+ ( 4−4 ) ²+(0−1)²+(1−1)2 = 3000,009

Setalah dihitung jaraknya, selanjutnya urutkan nilai dari yang terkecil ke nilai
yang terbesar seperti berikut:

N Nama Penda Statu Pendidika Pekerjaan Tangg Rumah Ket Jarak

o patan s n u ngan
4 D 4000 2 2 3 0 4 Diterima 1000,00
1
2 B 4000 1 2 1 3 3 Diterima 1000,00
8
3 C 3000 1 4 4 1 1 Diterima 2000,00
1
6 F 3000 2 4 2 0 4 Diterima 2000,00
1
7 G 3000 1 3 3 1 2 Diterima 2000,00
1
5 E 2500 1 4 3 3 1 Ditolak 2500,00
2
9 I 2500 2 4 4 3 1 Ditolak 2500,00
2
1 A 2000 2 4 4 0 4 Ditolak 3000,00
2
9 I 2500 2 4 4 3 1 Ditolak 2500,00
2
10 J 2000 2 4 1 0 1 Ditolak 3000,00
9

17
Ketiga: Dari perhitungan diatas, ternyata 4 (empat) tetangga terdekat dari calon pengkredit
baru, Keterangannya menyatakan “Diterima”, maka dapat disimpulkan calon nasabah baru
yang barnama “Mulia Karlina Sarumaha”, Pengajuan kredit yang diajukan Diterima.

18
 BAB VI
KESIMPULAN DAN SARAN

1.1 Kesimpulan

Berdasarkan uraian diatas, maka kesimpulan dari penelitian ini adalah sebagai berikut:
1. Metode K-Nearest Neighbor telah dapat digunakan untuk menentukan kelayakan
kredit sepeda motor.
2. Algoritma K-Nearest Neighbor(K-NN) adalah salah satu algoritma dalam data
mining untuk mengklasifikasikan objek yang baru berdasarkan mayoritas
darikategori tetangga yang terdekat.

5.2 Saran

Adapun saran yang penulis sampaikan berdasarkan hasil dari penelitian ini adalah
sebagia berikut:
1. Agar hasil algoritma dan hasil pengujian lebih akurat, maka sampel data yang
digunakan agar lebih banyak
2. Proses penentuan keputusan dapat dicoba menggunakan metode lain dan kemudian
hasilnya dibandingkan dengan metode yang digunakan dalam penelitian ini.

19
 DAFTAR PUSTAKA

[1] Y. Asriningtias et al., “Aplikasi Data Mining Untuk Menampilkan Informasi Tingkat
Kelulusan Mahasiswa,” vol. 8, no. 1, pp. 837–848, 2014.
[2] H. Leidiyana, “Penerapan Algoritma K-Nearest Neighbor Untuk Penentuan Resiko
Kredit Kepemilikan Kendaraan Bermotor,” J. Penelit. Ilmu Komputer, Syst. Embed.
Log., vol. 1, no. 1, pp. 65–76, 2013.
[3] E. Buulolo and R. Syahputra, “IMPLEMENTASI ALGORITMA CLUSTERING K-
MEANS UNTUK MENGELOMPOKKAN MAHASISWA BARU YANG BERPOTENSI
(STUDI KASUS: STMIK BUDI DARMA).” 2019.
[4] Y. Mardi, “Data Mining : Klasifikasi Menggunakan Algoritma C4.5,” J. Edik Inform.,
vol. 2, no. 2, pp. 213–219, 2017.
[5] K. Indriani and Q. Tanjung, “Sistem Pendukung Keputusan Kelayakan Kredit Motor
Menggunakan Metode NAÏVE BAYES Pada NSC FINANCE Cikampek,” Publ. J.
Penelit. Tek. Inform. Univ. Prima Indones., vol. 1, no. (UNPRI) Medan, pp. 6–11,
2017.

20