TUGAS AKHIR

KELAYAKAN PENGAJUAN PINJAMAN ATAU KREDIT PADA

KOPERASI GANESHA MENGGUNAKAN
ALGORITMA C4.5

Oleh :
Al-Amin Nurisiyantoro
2110651140

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNIK
UNIVERSITAS MUHAMMADIYAH JEMBER
2022
 DAFTAR ISI

DAFTAR ISI ................................................................................................... i

BAB I PENDAHULUAN ............................................................................... 1
1.1.Latar Belakang ......................................................................................... 1
1.2.Rumusan Masalah.................................................................................... 2
1.3.Batasan Penelitian .................................................................................... 2
1.4.Tujuan Penelitian ..................................................................................... 2
1.5.Manfaat Penelitian ................................................................................... 3
BAB II TINJAUAN PUSTAKA.................................................................... 4
2.1.Pengertian Kredit ..................................................................................... 4
2.2.Klasifikasi Kelayakan Kredit .................................................................. 4
2.3.Pohon Keputusan (Decision Tree) .......................................................... 5
2.4.Hypertext Preprocessor ........................................................................... 7
BAB III METODOLOGI PENELITIAN .................................................... 8
3.1.Metogologi Penelitian............................................................................... 8
3.2.Pohon Keputusan C4.5 ............................................................................ 12
3.3.Jadwal Penelitian ..................................................................................... 16
BAB IV IMPLEMENTASI SISTEM ........................................................... 18
4.1. Implementasi…………………………………………………………… 18
4.2. Implementasi Interface………………………………………………... 18
4.3. Evaluasi dan Validasi…………………………………………………... 21
BAB V KESIMPULAN DAN SARAN…………………………………….. 26
5.1. Kesimpulan……………………………………………………………... 26
5.2. Saran.……………………………………………………………………. 26

i
 2

BAB I
PENDAHULUAN

1.1.Latar Belakang
Perkembangan ilmu pengetahuan dan teknologi, mengakibatkan banyaknya
terjadi perubahan di segala bidang, misalnya saja dalam dunia perbankan.
Sebagai lembaga keuangan yang berfungsi menyimpan dana dari masyarakat
dan menyalurkannya dalam bentuk pinjaman, Bank berusaha memberikan
kemudahan dalam setiap layanan yang diberikannya, misalnya saja dalam
layanan memberikan kredit bagi seorang debitur.
Prosedur pemberian kredit secara umum dapat dibedakan antara pinjaman
perseorangan dengan pinjaman oleh suatu badan hukum, kemudian dapat pula
ditinjau dari segi tujuannya apakah untuk konsumtif atau produktif. , dengan
menggunakan algoritma C4.5 (Kashmir,2014), dapat menentukan model pohon
keputusan.
(Teguh Budi Santoso,2014) untuk meningkatkan akurasi dalam menganalisa
kelayakan kredit yang diajukan calon debitur, Dalam metode ini diharapkan akan
mampu untuk menentukan pemberian kredit yang layak atau tidak layak kepada
nasabah. Dengan menerapkan beberapa atribut yang mampu mengurangi tingkat
resiko penunggakan. Penelitian ini bertujuan untuk penentuan kelayakan pemberian
kredit kepada nasabah, sehingga pihak koperasi dapat membantu menyelesaikan
penentuan kelayakan pemberian kredit. Permasalahan yang muncul berdasarkan
uraian diatas adalah masih terjadinya proses yang sifatnya objektif dalam penentuan
kelayakan kredit, yang menyebabkan tidak akuratnya data, seperti pengajuan kredit
yang bermasalah dalam pembayaran angsuran kredit.
Adapun penelitian tentang data mining (Rani, 2015), yang membahas tentang
klasifikasi nasabah menggunakan algoritma C4.5 sebagai dasar pemberian kredit terhadap
nasabah. Klasifikasi calon nasabah bertujuan untuk memudahkan pihak koperasi dalam
membuat keputusan dalam hal pemberian kredit. Dengan adanya klasifikasi nasabah, jika
 3

terjadi masalah dengan kasus yang sama pihak koperasi tinggal melihat aturan-aturan (rule)
yang telah terbentuk dari pohon keputusan yang dihasilkan. Dengan metode keputusan
decision tree menggunakan algoritma C4.5 diharapkan proses penggalian informasi lebih
cepat dan optimal dengan kapasitas data yang lebih besar, sehingga kesalahan yang
ditimbulkan dalam pengambilan keputusan lebih diminimalkan. Dengan begitu dapat
disimpulkan bahwa metode pohon keputusan (decision tree) yang diproses dengan
software Rapidminer dapat mengidentifikasi kelayakan kredit denganbaik

Berdasarkan uraian tersebut, maka dapat diduga bahwa sistem berbasis algoritma
C4.5 dapat digunakan sebagai sistem yang berfungsi untuk memprediksi kelayakan
pemberian pinjaman di Koperasi Ganesha. Harapan dengan adanya sistem ini,
pengguna (pemberi keputusan peminjaman) lebih terbantu dan lebih mudah dalam
melakukan penilaian terhadap kelayakan calon penerima pinjaman, sehingga
mendapatkan kriteria calon yang sesuai untuk mendapatkan pencairan kredit usaha.
1.2.Rumusan Masalah
Berdasarkan latar belakang yang telah diuraikan, dapat dirumuskan masalah
sebagai berikut :
1. Bagaimanakah hasil akurasi dari aplikasi algoritma C4.5 untuk menilai
kolektibilitas anggota sebagai pertimbangan pengambilan keputusan
pemberian kredit?
1.3.Batasan Penelitian
Untuk menghindari pembahasan yang meluas, batasan-batasan dalam penelitian
ini adalah sebagai berikut.
1. Data anggota koperasi Ganesha per bulan Januari sampai Desember tahun
2018.
2. Parameter atau kriteria yang diguanakan dalam pertimbangan kredit adalah
“Jumlah Cicilan, Jumlah Saldo Simpanan, Jumlah Pinjaman dan Keperluan”.
3. Dalam system ini berupa web yang berguna untuk memudahkan dalam
mengambil keputusan kredit kepada nasabah menggunakan metode C.45.
 4

1.4.Tujuan Penelitian
Berdasarkan rumusan masalah maka tujuan penelitian ini adalah :
1. Untuk mengetahui hasil akurasi dari aplikasi algoritma C4.5 untuk menilai
kolektibilitas anggota sebagai pertimbangan pengambilan keputusan
pemberian kredit.

1.5.Manfaat Penelitian
Adapun manfaat dari penelitian ini adalah sebagai berikut:
1. Manfaat Peneliti
Bagi peneliti lainnya diharapkan dapat menambah pengetahuan mengenai
aplikasi algoritma C4.5untuk menilai kolektibilitas anggota sebagai
pertimbangan pengambilan keputusan pemberian kredit menggunakan
algoritma C4.5.
2. Manfaat Instansi
Bagi Koperasi Ganesha penelitian ini diharapkan dapat menjadi metode
alternative untuk memudahkan analisis kelayakan anggota dalam menerima
kredit
3. Manfaat Peneliti Lain
Penelitian ini dapat dijadikan referensi dalam menyelesaikan penelitian yang
berkaitan dengan penelitian ini.
 BAB II
TINJAUAN PUSTAKA

2.1.Pengertian Kredit
Istilah kredit berasal dari bahasa yunani (credere) yang berarti kepercayaan (truth
dan faith). Oleh karena itu dasar dari kredit ialah kepercayaan. Seseorang atau suatu
badan yang memberikan kredit (kreditur) percaya bahwa penerima kredit (debitur)
dimasa mendatang akan sanggup memenuhi segala sesuatu yang telah dijanjikan.
Menurut (Fauzi, 2018), kredit merupakan penyediaan uang atau tagihan yang
dapat dipersamakan dengan itu, berdasarkan persetujuan atau kesepakatan pinjam-
meminjam antara bank dan pihak lain yang mewajibkan pihak peminjam (debitur)
untuk melunasi hutangnya setelah jangka waktu tertentu dengan jumlah bunga,
imbalan atau pembagian hasil keuntungan.
Pemberian kredit kepada debitur pada setiap instansi mempunyai peraturan yang
berbeda – beda, dalam koperasi Ganesha dalam memberikan kredit kepada debitur
mempunyai syarat dan ketentuan tertentu, dengan tujuan agar pemberian kredit dapat
dilakukan dengan tepat sasaran sehingga kredit yang diberikan dapat digunakan
secara efektif, baik dari pihak kreditur maupun debitur.

2.2.Klasifikasi Kelayakan Kredit

Klasifikasi merupakan cara pengelompokkan benda berdasarkan ciri – ciri yang
dimiliki oleh objek klasifikasi (Aji Prasetya Wibawa, 2018). Algoritma klasifikasi
yang banyak digunakan secara luas, yaitu Decision/classification trees, Bayesian
classifiers/ Naïve Bayes classifiers, Neural networks, Analisa Statistik, Algoritma
Genetika, Rough sets, k-nearest neighbor, Metode Rule Based, Memory based
reasoning, dan Support vector machines (SVM) (Leidiyana, 2013). Klasifikasi data
terdiri dari 2 langkah proses. Pertama adalah learning (fase training), dimana
algoritma klasifikasi dibuat untuk menganalisa data training lalu direpresentasikan

5
dalam bentuk rule klasifikasi. Proses kedua adalah klasifikasi, dimana data tes
digunakan untuk memperkirakan akurasi dari rule klasifikasi. Menurut (Gorunescu,
2011)
Proses klasifikasi didasarkan pada empat komponen:
a. Kelas
Variabel dependen yang berupa kategorikal yang merepresentasikan „label‟
yang terdapat pada objek. Contohnya: resiko penyakit jantung, resiko kredit,
customer loyalty, jenis gempa.
b. Predictor
Variabel independen yang direpresentasikan oleh karakteristik (atribut) data.
Contohnya: merokok, minum alkohol, tekanan darah, tabungan, aset, gaji.
c. Training dataset
Satu set data yang berisi nilai dari kedua komponen di atas yang digunakan
untuk menentukan kelas yang cocok berdasarkan predictor.
d. Testing dataset
Berisi data baru yang akan diklasifikasikan oleh model yang telah dibuat dan
akurasi klasifikasi dievaluasi

2.3.Pohon Keputusan (Decision Tree)

Pohon keputusan merupakan metode klasifikasi dari prediksi yang sangat kuat
dan terkenal. Metode pohon keputusan mengubah fakta yang sangat besar menjadi
pohon keputusan yang mempresentasikan aturan. Aturan dapat dengan mudah
dipahami dengan bahasa alami. Dan mereka juga dapat diekspresikan dalam bentuk
bahasa basis data seperti Structured Query Language 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.

6
 7

2.3.1. Algoritma C4.5

Algoritma C4.5 merupakan algoritma yang digunakan untuk membentuk
pohon keputusan. Secara umum algoritma C4.5 untuk membangun pohon keputusan
adalah sebagai berikut:
1. Pilih atribut sebagai akar.
2. Buat cabang untuk tiap-tiap nilai.
3. Bagi kasus dalam cabang.
4. Ulangi proses untuk setiap cabang sampai semua kasus pada cabang memiliki
kelas yang sama
Ada beberapa tahap dalam membuat sebuah pohon keputusan dengan algortima
C4.5 yaitu :
1. Menyiapkan data training. Data training biasanya diambil dari data histori
yang pernah terjadi sebelumnya dan sudah dikelompokkan ke dalam kelas-
kelas tertentu.
2. Menentukan akar dari pohon. Akar akan diambil dari atribut yang terpilih,
dengan cara menghitung nilai gain dari masing-masing atribut, nilai gain yang
paling tinggi yang akan menjadi akar pertama. Sebelum menghitung nilai gain
dari atribut, hitung dahulu nilai entropy. Untuk menghitung nilai entropy
digunakan rumus :

( ) ∑

(Fandy Ferdian Harryanto, 2017)

Keterangan :
S : Himpunan Kasus
A : Atribut
B : Jumlah partisi atribut A
|Si| : Jumlah Kasus pada partisi ke-i
|S| : Jumlah Kasus dalam S
 8

3. Kemudian hitung nilai gain menggunakan rumus :

| |
( ) ( ) ∑ ( )
| |

( )
Keterangan :
S : Himpunan Kasus
A: Fitur
n : Jumlah partisi S
Pi: Proporsi dari Si terhadap S
4. Ulangi langkah kedua hingga semua record terpartisi.
5. Proses partisi keputusan akan berhenti saat :
a. Semua record dalam simpul N mendapat kelas yang sama.
b. Tidak ada atribut di dalam record yang dipartisi lagi.
c. Tidak ada record di dalam cabang yang kosong.

2.4.Confusion Matrix
Pengukuran terhadap kinerja suatu sistem klasifikasi merupakan hal yang
penting. kinerja sistem klasifikasi menggambarkan seberapa baik sistem dalam
mengklasifikasikan data. 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.
Pada pengukuran kinerja menggunakan confusion matrix, terdapat 4 (empat)
istilah sebagai representasi hasil proses klasifikasi. Keempat istilah tersebut adalah
True Positive (TP), True Negative (TN), False Positive (FP) dan False Negative (FN).
Nilai True Negative (TN) merupakan jumlah data negatif yang terdeteksi dengan
benar, sedangkan False Positive (FP) merupakan data negatif namun terdeteksi
sebagai data positif. Sementara itu, True Positive (TP) merupakan data positif yang
 9

terdeteksi benar. False Negative (FN) merupakan kebalikan dari True Positive,
sehingga data posifit, namun terdeteksi sebagai data negatif.
Pada jenis klasifikasi binary yang hanya memiliki 2 keluaran kelas, confusion
matrix dapat disajikan seperti pada Tabel 2.1.
Tabel 2.1 confusion matrix

Kelas Terklasifikasi Positif Terklasifikasi Negatif

Positif TP (True Positive) FN (False Negative)
Negatif FP (False Positive) TN (True Negative)
Berdasarkan nilai True Negative (TN), False Positive (FP), False Negative (FN),
dan True Positive (TP) dapat diperoleh nilai akurasi, presisi dan recall. Nilai akurasi
menggambarkan seberapa akurat sistem dapat mengklasifikasikan data secara benar.
Dengan kata lain, nilai akurasi merupakan perbandingan antara data yang
terklasifikasi benar dengan keseluruhan data. Nilai akurasi dapat diperoleh dengan
Persamaan 1. Nilai presisi menggambarkan jumlah data kategori positif yang
diklasifikasikan secara benar dibagi dengan total data yang diklasifikasi positif.
Presisi dapat diperoleh dengan Persamaan 2. Sementara itu, recall menunjukkan
berapa persen data kategori positif yang terklasifikasikan dengan benar oleh sistem.
Nilai recall diperoleh dengan Persamaan 3.

(Ajay Kulkarni, 2020)

dimana:
TPi adalah True Positive, yaitu jumlah data positif yang terklasifikasi dengan benar
oleh sistem untuk kelas ke-i.
TNi adalah True Negative, yaitu jumlah data negatif yang terklasifikasi dengan benar
oleh sistem untuk kelas ke-i.
 10

FNi adalah False Negative, yaitu jumlah data negatif namun terklasifikasi salah oleh
sistem untuk kelas ke-i.
FPi adalah False Positive, yaitu jumlah data positif namun terklasifikasi salah oleh
sistem untuk kelas ke-i
i adalah jumlah kelas.

2.5.Hypertext Preprocessor
PHP merupakan singkatan dari Hypertext Preprocessor adalah sebuah bahasa
scriting yang terpasang pada HTML. Sebagian besar sintaks mirip dengan bahasa C,
Java, Perl ditambah beberapa fungsi PHP yang spesifik. Tujuan utama bahasa ini
adalah untuk memungkinkan perancang web menulis halaman web dinamik dengan
cepat.
PHP merupakan bahasa pemrograman web yang bersifat server-side HTML,
dimana script-nya menyatu dengan HTML dan berada di server. Artinya sintaks dan
perintah-perintah yang kita berikan akan sepenuhnya dijalankan di server tetapi
disertakan HTML biasa. PHP dikenal sebagai bahasa scripting yang menyatu dengan
tag HTML, dieksekusi di server dan digunakan untuk membuat halaman web dinamis
seperti ASP(Active Server Pages) dan JSP(Java Server Page) (Supomo, 2013).
 BAB III
METODOLOGI PENELITIAN

3.1.Metodologi Penelitian
Metodologi penelitian berisi langkah-langkah yang digunakan dalam penelitian
ini agar terstruktur dengan baik. Dengan sistematika ini proses penelitian dapat
dipahami dan diikuti oleh pihak lain. Penelitian yang dilakukan untuk merancang
sistem diperoleh dari pengamatan data-data yangada. Adapun langkah-langkah yang
dilakukan untuk mencapai tujuan dari peneltian ini adalah seperti berikut.
1. Analisis Kebutuhan
Analisis kebutuhan aplikasi dilakukan untuk mengetahui kebutuhan pengguna
terhadap aplikasi yang dikembangkan. Hal ini perlu dilakukan agar aplikasi
yang dikembangkan sesuai dengan kebutuhan pengguna. Dibagian ini juga
dijelaskan siapa saja yang akan menggunakan aplikasi ini, dan informasi
apasaja yang digunakan oleh mereka.
a. Metode Pengembangan Sistem
Metode pengembangan yang digunakan penulis dalam penelitian ini
yaitumenggunakan model SDLC (System Development Life Cycle)
pengembanganatau rekayasa sistem informasi (software enginering).

11
 12

Gambar 3.1 kerangka kerja pengembangan sistem informasi (waterfall)

i. Analisis Kebutuhan
Pada tahap ini kita berusaha mengenal setiap permasalahan yang
muncul pada pengguna dengan mendekomposisi dan merealisasi use
case diagramlebih lanjut, mengenai kompenen-kompenen sistem atau
perangkat lunak, objek-objek, hubungan antarobjek dan sebagainya.
ii. Desain Sistem
Pada tahap perancangan dimana penulis mencoba mencari solusi dari
permasalahan yang didapat dari tahap analisis.
iii. Penulisan Kode Program
Untuk dapat dimengerti oleh mesin, dalam hal ini adalah komputer,
makadesain tadi harus diubah bentuknya menjadi bentuk yang dapat
dimengertioleh mesin, yaitu ke dalam bahasa pemrograman melalui
proses coding.
iv. Pengujian Program
Sesuatu yang dibuat diujicobakan. Demikian juga dengan software.
Semuafungsi-fungsi software harus diujicobakan, agar software bebas
dari error, dan hasilnya harus benar-benar sesuai dengan kebutuhan
yang sudah didefinisikan sebelumnya.
v. Penerapan Program dan Pemeliharaan
 13

Perubahan dapat terjadi karena adanya kesalahan yang muncul dan

tidak terdeteksi saat pengujian atau perangkat lunak harus beradaptasi
dengan lingkungan baru. Tahap penerapan atau pemeliharaan dapat
mengulangi proses pengembangan mulai dari analisis spesifikasi untuk
perubahan perangkat lunak yang sudah ada, tapi tidak untuk membuat
perangkat lunak yang baru.

2. Desain Sistem
Pada tahap ini penulis membuat perancangan sistem yang akan di usulkan.
Perancangan tersebut meliputi, merancang tampilan user, merancang basis
data untuk sistem tersebut agar manajemen file yang ada lebih teratur,
kemudian yang terakhir adalah merancang coding program dari suatu
informasi.
 14

Gambar 3.1 Flowchart Pembentukan Tree

Pengajuan Kredit

Data Parameter

Admin Imlementasi
Metode C4.5

Gambar 3.2 Use Case Diagram

Pada gambar 3.2 diatas terdapat beberapa atribut yang dapat di akses
oleh admin yaitu pengajuan kredit adalah admin dapat melakukan
penambahan atau melihat data pengajuan kredit, data parameter adalah
kriteria atau parameter penilaian yang digunakan dan implementasi metode
C4.5 adalah implementasi metode C4.5 untuk mengetahui pohon keputusan
kelayakan pemberian kredit kecalon nasabah.
3. Implementasi Sistem dan Testing
Implementasi dan testing adalah proses untuk memastikan bahwa aplikasi
yang dikembangkan bebas dari kesalahan, dilakukan testing (uji coba) pada
aplikasi tersebut. Pada tahap ini juga akan dilakukan evaluasi terhadap hasil
penelitian yang dilakukan. Evaluasi dilakukan mencakup evaluasi hasil
danmanfaat cara dengan membandingkan hasil yang didapatkan dengan
kebutuhan pengguna.
4. Pembuatan Laporan Tugas Akhir
Langkah terakhir dari penelitian ini adalah membuat laporan tugas akhir.
Laporan ini berisi hal–hal yang dikerjakan selama penelitian dan hasil yang
 15

didapatkan pada saat melakukan penelitian. Dalam penulisannya, format yang

digunakan adalah berdasarkan format yang telah diterapkan oleh prodi teknik
informatika Universitas Muhammadiyah Jember.

3.2.Pohon Keputusan C4.5

Menghitung nilai total kasus keseluruhan yang ada berdasarkan jumlah kasus
yang layak dan tidak layak.
Tabel 3.1 Sampel Data Pengujian

Perincian algoritma (langkah 1)

- Menghitung jumlah kasus seluruhnya, jumlah Kelayakan Kredit “Layak”
maupun “Tidak Layak”.
- Menghitung Entropy dari semua kasus yg terbagi berdasarkan atribut “Cicilan”,
“Saldo Simpanan”, “Keperluan”, “Jumlah Pinjaman”.
- Lakukan penghitungan Gain untuk setiap atributnya
Tabel 3.2 Iterasi 1
 16

Setelah didapat hasil dari tabel 3.2 di atas maka cari nilai Gain yang tertinggi.
Nilai gain tertinggi maka itulah yang menjadi akarnya.
Jumlah Cicilan

6 Bulan 12 Bulan 24 Bulan

Layak ? ?

Ket:
- Jumlah Cicilan merupakan gain terbesar, maka jumlah cicilan dijadikan sebuah
akar
- Pada tabel 1 dapat kita lihat bahwa pada jumlah cicilan yang (X ≥ 3x Angsuran)
menyatakan layak.
- Sedangkan pada jumlah cicilan selain (X ≥ 3x Angsuran) untuk status
kelayakan pemberian kredit layak dan tidak layak sama-sama berisi. Maka
belum bisa kita pastikan keluarannya apa.
Tabel 3.3 Iterasi 2
 17

Setelah didapat hasil dari tabel 3.3 di atas maka cari nilai Gain yang tertinggi.
Nilai gain tertinggi maka itulah yang menjadi akarnya.
Jumlah Cicilan

6 Bulan 12 Bulan 24 Bulan

Layak Jumlah Pinjaman ?

Rp. 2.000.000 Rp. 1.000.000

Layak ?

Ket:
- Jumlah Pinjaman merupakan gain terbesar, maka jumlah cicilan dijadikan
sebuah akar
- Pada tabel 3.3 dapat kita lihat bahwa pada jumlah pinjaman yang (2.000.000)
menyatakan layak dan jumlah pinjaman (1.000.000) tidak layak.
Tabel 3.4 Iterasi 3

Setelah didapat hasil dari tabel 3.4 di atas maka cari nilai Gain yang tertinggi.
Nilai gain tertinggi maka itulah yang menjadi akarnya.
Jumlah Cicilan

6 Bulan 12 Bulan 24 Bulan

Layak Jumlah Pinjaman Keperluan

Rp. 2.000.000 Rp. 1.000.000 Modal Usaha Bukan Usaha

Layak ? ? Tidak Layak

 18

Ket:
- Keperluan merupakan gain terbesar, maka jumlah cicilan dijadikan sebuah akar
- Pada tabel 3.4 dapat kita lihat bahwa pada keperluan yang (Modal Usaha)
menyatakan layak dan keperluan (Bukan Usaha) tidak layak.

Tabel 3.5 Iterasi 4

Dari hasil perhitungan pada iterasi 1 sampai ke iterasi ke 4 maka hasil pohon
keputusan sementara dapat dilihat seperti dibawah ini.
1. Jumlah Cicilan = 6 Bulan (Layak = 4, Tidak Layak = 0) : Layak
2. Jumlah Cicilan = 12 Bulan (Layak = 3, Tidak Layak = 2) : ?
 Jumlah Pinjaman = 2.000.000 (Layak = 2, Tidak Layak = 0) : Layak
 Jumlah Pinjaman = 1.000.000 (Layak = 1, Tidak Layak = 2) : ?
3. Jumlah Cicilan = 24 Bulan (Layak = 2, Tidak Layak = 3) : ?
 Keperluan = Modal Usaha (Layak = 2, Tidak Layak = 0) : ?
 Keperluan = Bukan Usaha (Layak = 0, Tidak Layak = 3) : Tidak Layak
Dari pohon keputusan maka dapat disimpulkan sebagai berikut:
1. Jika Jumlah Cicilan = 6 Bulan Maka dinyatakan Layak
2. Jika Jumlah Cicilan = 12 Bulan dan Jumlah Pinjaman 2.000.000 Maka dapat
dinyatakan Layak
3. Jika Keperluan Bukan Usaha Maka dapat dinyatakan Tidak Layak.
 19

BAB IV
IMPLEMENTASI SISTEM

4.1.Implementasi
Implementasi sistem bertujuan untuk menerapkan modul-modul yang telah
dikerjakan pada tahap perancangan, sehingga pengguna dapat memberikan masukan
berupa kritik dan saran. Implementasi sistem merupakan tahap peletakan sistem yang
baru dibuat dan dikembangkan agar nantinya sistem tersebut siap dioperasikan sesuai
dengan yang diharapkan. Tujuan dari tahap implementasi sistem ini mengetahui hasil
dari pembuatan aplikasi, apakah telah sesuai dengan yang telah dirancang
sebelumnya atau tidak.

4.2.Implementasi Interface
1. Halaman Data Nasabah
Halaman ini berisi data – data kredit atau pinjaman dari nasabah, pada
halaman ini user dapat menambah, edit dan hapus data nasabah.
 20

Gambar 1 Gambar Data Nasabah

2. Halaman Data Training

Halaman data training adalah halaman untuk menampilkan data training
yang digunakan dalam penelitian tugas akhir ini.

Gambar 2 Halaman Data Training

3. Halaman Pohon Keputusan

 21

Pada halaman pohon keputusan user dapat mengetahui rule keputusan dalam
memberikan kelayakan kredit dengan menggunakan Algoritma C4.5.

Gambar 3 Halaman Pohon Keputusan

4. Halaman Prediksi
Halaman prediksi merupakan halaman yang dapat digunakan untuk
memprediksi kelayakan kredit dengan model yang sudah ditraining
sebelumnya menggunakan algoritma C4.5.

Gambar 4 Halaman Prediksi

 22

Gambar 4.5 Pohon Keputusan

Dari hasil Gambar 4.5 maka akan diperoleh pohon keputusan dengan
rule sebagai berikut:
1. Jika Jumlah Cicilan 6 Bulan Maka dapat dinyatakan Layak
2. Jika Jumlah Cicilan 12 Bulan dan Jumlah Pinjaman 2.000.000 maka dapat
dinyatakan Layak dan Jika Jumlah Pinjaman 1.000.000 belum belum
ditentukan hasil Layak atau Tidak Layak.
3. Jika Jumlah Cicilan 24 Bulan dan Keperluan Modal Usaha maka belum
ditemukan status Layak atau Tidak Layak dan Jika Keperluan Bukan
Usaha maka dapat dinyatakan Tidak Layak.
4.1.Evaluasi dan validasi
Output atau target variabel memiliki dua kategori yaitu Layak dan Tidak Layak,
maka digunakan teknik klasifikasi yang termasuk dalam penglompokkan data mining,
karena dalam klasifikasi terdapat target variabel kategori.
Tabel 4.1 Dataset
 23

- Menghitung jumlah kasus seluruhnya, jumlah Kelayakan Kredit “Layak”

maupun “Tidak Layak”.
- Menghitung Entropy dari semua kasus yg terbagi berdasarkan atribut “Cicilan”,
“Saldo Simpanan”, “Keperluan”, “Jumlah Pinjaman”.
- Lakukan penghitungan Gain untuk setiap atributnya
Tabel 4.2 Iterasi 1

Dari hasil table 4.2 diatas dihasilkan kriteria “Keperluan” dengan nilai gain
0,0135 maka “Keperluan” dijadikan Root atau titip awal dari pohon keputusan dan
berikut adalah contoh perhitungannya.
 24

( ( )) ( ( ))

Entropy Jumlah Saldo Simpanan :

( ( )) ( ( ))

( ( )) ( ( ))

Info Gain Jumlah Saldo Simpanan :

( ) ( )

( ( )) ( ( ))

Gambar 4.1 Node Ke 1

Tabel 4.3 Iterasi 2
 25

Gambar 4.2 Node Ke 2

Tabel 4.4 Iterasi 3.1

 26

Tabel 4.5 Iterasi 3.2

 27

Gambar 4.3 Node Ke 3

Tabel 4.6 Iterasi 4.1
 28

Tabel 4.7 Iterasi 4.2

Gambar 4.4 Node Ke 4.1

 29

Gambar 4.5 Node Ke 4.2

Dari hasil perhitungan pada iterasi 1 sampai ke iterasi ke 4 maka hasil pohon
keputusan sementara dapat dilihat seperti dibawah ini.
 Keperluan = Bukan Modal Usaha
Jumlah Pinjaman = 1.000.000
o Jumlah Saldo Simpanan = 0 - 1.000.000
- Jumlah Cicilan = 12 Bulan: Tidak Layak (Tidak Layak=2, Layak=0)
- Jumlah Cicilan = 24 Bulan: Tidak Layak (Tidak Layak=5, Layak=1)
- Jumlah Cicilan = 6 Bulan: Tidak Layak (Tidak Layak=1, Layak=0)
o Jumlah Saldo Simpanan = 1.000.000 - 3.000.000
- Jumlah Cicilan = 24 Bulan: Layak (Tidak Layak=1, Layak=3)
- Jumlah Cicilan = 6 Bulan: Tidak Layak (Tidak Layak=3, Layak=0)
o Jumlah Saldo Simpanan = > 3.000.000
- Jumlah Cicilan = 12 Bulan: Layak (Tidak Layak=1, Layak=1)
- Jumlah Cicilan = 24 Bulan: Layak (Tidak Layak=1, Layak=2)
- Jumlah Cicilan = 6 Bulan: Layak (Tidak Layak=0, Layak=2)
 30

Jumlah Pinjaman = 2.000.000

o Jumlah Saldo Simpanan = 0 - 1.000.000
- Jumlah Cicilan = 12 Bulan: Layak (Tidak Layak=0, Layak=1)
- Jumlah Cicilan = 24 Bulan: Layak (Tidak Layak=3, Layak=3)
- Jumlah Cicilan = 6 Bulan: Layak (Tidak Layak=0, Layak=2)
o Jumlah Saldo Simpanan = 1.000.000 - 3.000.000
- Jumlah Cicilan = 12 Bulan: Layak (Tidak Layak=0, Layak=6)
- Jumlah Cicilan = 24 Bulan: Tidak Layak (Tidak Layak=3, Layak=2)
- Jumlah Cicilan = 6 Bulan: Layak (Tidak Layak=1, Layak=1)
o Jumlah Saldo Simpanan = > 3.000.000
- Jumlah Cicilan = 12 Bulan: Tidak Layak (Tidak Layak=2, Layak=0)
- Jumlah Cicilan = 24 Bulan: Tidak Layak (Tidak Layak=3, Layak=1)
- Jumlah Cicilan = 6 Bulan: Tidak Layak (Tidak Layak=2, Layak=2)
 Keperluan = Modal Usaha
Jumlah Saldo Simpanan = 0 - 1.000.000
o Jumlah Cicilan = 12 Bulan
- Jumlah Pinjaman = 1.000.000: Tidak Layak (Tidak Layak=1,
Layak=0)
- Jumlah Pinjaman = 2.000.000: Tidak Layak (Tidak Layak=1,
Layak=1)
o Jumlah Cicilan = 24 Bulan
- Jumlah Pinjaman = 1.000.000: Layak (Tidak Layak=2, Layak=3)
- Jumlah Pinjaman = 2.000.000: Layak (Tidak Layak=1, Layak=2)
o Jumlah Cicilan = 6 Bulan
- Jumlah Pinjaman = 2.000.000: Tidak Layak (Tidak Layak=3,
Layak=1)
Jumlah Saldo Simpanan = 1.000.000 - 3.000.000
 31

o Jumlah Cicilan = 12 Bulan

- Jumlah Pinjaman = 1.000.000: Tidak Layak (Tidak Layak=3,
Layak=1)
- Jumlah Pinjaman = 2.000.000: Tidak Layak (Tidak Layak=2,
Layak=0)
o Jumlah Cicilan = 24 Bulan
- Jumlah Pinjaman = 1.000.000: Tidak Layak (Tidak Layak=5,
Layak=3)
- Jumlah Pinjaman = 2.000.000: Tidak Layak (Tidak Layak=1,
Layak=0)
o Jumlah Cicilan = 6 Bulan
- Jumlah Pinjaman = 1.000.000: Layak (Tidak Layak=1, Layak=1)
- Jumlah Pinjaman = 2.000.000: Layak (Tidak Layak=0, Layak=1)
Jumlah Saldo Simpanan = > 3.000.000
o Jumlah Cicilan = 12 Bulan
- Jumlah Pinjaman = 1.000.000: Layak (Tidak Layak=0, Layak=1)
- Jumlah Pinjaman = 2.000.000: Tidak Layak (Tidak Layak=2,
Layak=1)
o Jumlah Cicilan = 24 Bulan: Tidak Layak (Tidak Layak=4, Layak=0)
o Jumlah Cicilan = 6 Bulan
- Jumlah Pinjaman = 2.000.000: Tidak Layak (Tidak Layak=3,
Layak=1)
 32

4.4 K-Fold Cross Validation

Pada pengujian ini peneliti menggunakan 4 pengujian dengan jumlah data 100,
berikut hasil pengujian dengan beberapa skenario:
Tabel 4.8 Pengujian K-Fold Cross Validation
No Pengujian Akurasi
1 10-Fold 59%
2 5-Fold 58%
3 4-Fold 60%
4 2-Fold 56%
Pengujian dilakukan berdasarkan jumlah data yang di uji berdasarkan data
training dan data testing. Hasil dari diatas menunjukkan bahwa pengujian data
dilakukan mulai dari 10% hingga 50% dari data keseluruhan 100 data. Nilai tingkat
akurasi terttinggi didapatkan dengan menggunakan data training 75% dan data testing
25% dengan nilai tingkat akurasi 60%. Berikut adalah hasil testing dan tree dari
pengujian terbaik.
Tabel 4.8 Hasil Testing
 33

BAB V

KESIMPULAN DAN SARAN

5.1.Kesimpulan
Dari hasil penelitian ini dapat ditarik kesimpulan sebagai berikut :
1. Algoritma C4.5 dapat digunakan untuk memudahkan dalam pengambilan
keputusan dengan memproyeksikan data-data yang ada ke dalam bentuk
pohon keputusan, berdasarkan nilai entropy dan gain yang dimiliki masing-
masing atribut data.
2. Dari hasil pengujian dari jumlah data 100 nilai tingkat akurasi tertinggi
didapatkan dari 4 Fold menggunakan data training 75% dan data testing 25%
dengan tingkat akurasi data 60 %.

5.2.Saran
Dari hasil penelitian dan Kesimpulan diatas, penulis memberikan saran kepada
pengembang algoritma C4.5 yaitu
1. Peneliti yang akan melakukan penelitian selanjutnya, disarankan untuk
mencari dan membaca referensi lain lebih banyak lagi sehingga hasil
penelitian selanjutnya akan semakin baik serta dapat memperoleh ilmu
pengetahuan yang baru.
2. Hasil penelitian ini diharapkan dapat dijadikan sebagai bahan rujukan bagi
peneliti selanjutnya yakni dalam program studi teknik informatika.
3. Untuk pengembangan system sebaiknya membuat tampilan yang lebih baik
dan lebih menarik dari system yang sudah ada.
4. Untuk mendapatkan nilai akurasi lebih besar, perlu penambahan data dan
ensembling dr metode decision tree (M. Zainuddin and A. Noercholis,2019) “
.
 34

DAFTAR PUSTAKA
Asset, D., 2015, Credit Risk Assessment by Means of Fuzzy Logic Prediction, J.
Attribute Decision Making (Fuzzy MADM). Yogyakarta: Graha Ilmu.
Cestnut Hill MA.
Chakraborty, S., and Zavadskas, E, K., 2014, “Applications of WASPAS Method in
Manufacturing Decision Making,” Informatica, vol. 25, no. 1, pp. 1–20.
Data Envelopment and Neuro-Fuzzy Systems,” Syst. Cybernatics Informatics
J., vol. 13, no. 1, pp. 67–77 & Sons Ltd. West Sussex UK.
Gilke, N, R., Mantha, S, S., and Thampi, G, T., 2013, “Fuzzy Logic based Decision
kelulusan menggunakan Metode Fuzzy Tahani. Laporan Penelitian, Fakultas
Teknologi Industri Universitas Islam Indonesia.
Keputusan. Edisi 2. Graha Ilmu, Yogyakarta
Klir, G.J., Yuan, Bo., 1995. Fuzzy Sets and Fuzzy Logic Theory and Application.
Kusumadewi, S., Hartati, S., Harjoko, A., and Wardoyo, R., 2006, Fuzzy Multi-
Kusumadewi, S., Purnomo, H., 2010. Aplikasi Logika Fuzzy untuk Pendukung
Malhotra, D. K., dan Malhotra, R., 2015, “Evaluating Loans Using a Combination of
McNeill, F.M., Thro, E., 1994. Fuzzy Logic a Practical Approach. Academic Press.
Multidiscip. Eng. Sci. Technol., vol. 2, no. 5, pp. 902–904.
Mustafidah, H., 2013, Konsep Dasar Logika Fuzzy dan Contoh Aplikasinya, I.
Mustafidah, H., dan Aryanto, D., 2012, “Sistem Inferensi Fuzzy untuk Memprediksi
Mustafidah, H., dan Suwarsito, S., 2014, “Sistem Inferensi Fuzzy untuk Memprediksi
Pengaruh Motivasi Belajar dan Lingkungan Belajar terhadap Prestasi Belajar
Mahasiswa,” JUITA (Jurnal Inform., vol. III, no. 1, pp. 19–24).
performance index for student admission,” Int. J. Res. Sci. Eng., vol. 3, no. 3,
pp. 68–74.
M. Zainuddin and A. Noercholis, “Studi komparasi algoritma decesion tree (c4.5)
dengan algoritma k-nn dalam memprediksi kelulusan tepat waktu mahasiswa,” vol.
10, 2019.
 35

Pinandita, T., Ahmad, A., dan Hindayati, M, 2012, “Sistem Inferensi Fuzzy
Tsukamoto
Pinandita, T., Ahmad, A., dan Mustafidah, H., 2013, “Penentuan Tingkat Kompetensi
Prentice Hall, New Jersey.
Prestasi Belajar Mahasiswa Berdasarkan Nilai Ujian Nasional, Tes Potensi
Akademik, dan Motivasi Belajar,” JUITA (Jurnal Inform., vol. II, no. 1, pp.
1–7, 2012.
Rani, Larissa Navia, „Klasifikasi Nasabah Menggunakan Algoritma‟, Jurnal
KomTekInfo Fakultas Ilmu Komputer, 2.2 (2015), 33–38
Rahim, R., Mesran, A., dan Putera, U., 2017, Siahaan, and S. Aryza, “Composite
Rahmadi, H., Mustafidah, M, A., 2014, “Sistem Inferensi Fuzzy untuk Mengetahui
Ramadan, N., dan Abdelghany, A., S., 2016, A Fuzzy Logic Model for Credit Risk
Rating of Eqyptian Commercial Banks, Int. J. Comput. Sci. Inf. Secur., vol.
14, no. 2, pp. 11–18.
Ross, TJ. 2010. Fuzzy Logic with Engineering Application. third edition. John Wiley
Simarmata, J., 2010, Rekayasa Perangkat Lunak. Yogyakarta: Andi.
Sosial Guru Menggunakan Sistem Inferensi Fuzzy,” in Prosiding SENAIK
APTIKOM.
Supomo. 2013, Struktur organisasi & Job Description BPR Artomoro Semarang.
Support System for Mass Customization,” Int. J. Comput. Appl., vol. 62, no.
7, pp. 31–37.
Suwarsito, S., dan Mustafidah, H., 2014, “Pengembangan Sistem Korelasional
Suyatno, Thomas, dkk. 1997. Dasar-dasar Perkreditan. Jakarta : PT. Gramedia
Pustaka
Tingkat Kelulusan Mahasiswa Berdasarkan Motivasi dan Minat Belajar,
Kompetensi dan Kehadiran Dosen dalam Perkuliahan,” in Prosiding
Konferensi Nasional Ilmu Komputer (KONIK) 2014.
Tingkat Kompetensi Dosen terhadap Tingkat Kelulusan Mahasiswa
Menggunakan Sistem Inferensi Fuzzy,” JUITA (Jurnal Inform., vol. III, no. 1,
 36

pp. 1–9)untuk Menentukan Tingkat Kompetensi Pedagogik,” in Prosiding

Seminar Nasional Informatika (SNIF) dan Call for Paper STMIK Potensi
Utama Medan dalam rangka Rakornas APTIKOM.Utama.
Yogyakarta: UMPPress – Pustaka Pelajar.
 37

Lampiran 1
 38

Lampiran 2