Hasil

1.Pertama Siapkan data yang mau diolah.disini kita ingin mengelolah data credit
nasabah dengan nama file nya data trainingnya Creditaproval.dan data testingnya
creditaproval-testing.

2.kedua sebelum melakukan pengujian pohon keputusan, sebaiknya file data

creditaproval nya diberi label di status kreditnya ubah role seperti ini.
3.setelah pemberian label maka data tersebut baru bisa kita lakukan pengujian
pembuatan pohon keputusan(decision tree).seperti ini hasil desain pembuatan
pohon keputusan.\

Berikut penjelasannya dari pohon keputusan:

 tunggakan_pokok > 7055.330

 tunggakan_pokok > 84199.865
 tunggakan_pokok > 166833.330
 jml_angsuran_per_bulan > 3920
 jml_pinjaman > 27737500: Status Kredit Nasabah MACET
  jml_pinjaman ≤ 27737500
 tunggakan_pokok > 208333.370: Status Kredit Nasabah MACET
 tunggakan_pokok ≤ 208333.370
 tunggakan_bunga > 33750: Status Kredit Nasabah LANCAR
 tunggakan_bunga ≤ 33750
 tunggakan_bunga > 22142
 jml_pinjaman > 1750000: Status Kredit Nasabah LANCAR
 jml_pinjaman ≤ 1750000: Status Kredit Nasabah MACET
 tunggakan_bunga ≤ 22142: Status Kredit Nasabah MACET
 jml_angsuran_per_bulan ≤ 3920: Status Kredit Nasabah MACET
 tunggakan_pokok ≤ 166833.330
 jml_pinjaman > 960000
 jml_angsuran_per_bulan > 28934.555
 jkw > 11: Status Nasabah LANCAR
 jkw ≤ 11: Status Kredit Nasabah MACET
 jml_angsuran_per_bulan ≤ 28934.555: Status Kredit Nasabah MACET
 jml_pinjaman ≤ 960000: Status Kredit Nasabah MACET
 tunggakan_pokok ≤ 84199.865
 tunggakan_bunga > 2250
 jkw > 5.500: Status Kredit Nasabah LANCAR
 jkw ≤ 5.500: Status Kredit Nasabah MACET
 tunggakan_bunga ≤ 2250: Status Kredit Nasabah MACET
 tunggakan_pokok ≤ 7055.330
 col (Kolektibilitas) > 2: Status Kredit Nasabah MACET
 col (Kolektibilitas) ≤ 2
 jml_pinjaman > 14692499.500
 jkw > 22.500: Status Kredit Nasabah LANCAR
 jkw ≤ 22.500: Status Kredit Nasabah MACET
 jml_pinjaman ≤ 14692499.500: Status Kredit Nasabah LANCAR

4. Proses Hasil prediksi pada data creditaproval dengan data testing creditaproval-
testing dengan menggunakan operator apply model.berikut desain tampilan dan
hasilnya.

Desain tampilan:
Hasil prediksi nya:
Berikut Penjelasannya:

Nah disini kita mendapatkan hasil pengujian menggunakan operator apply model
dengan data aprovalcredit dan aprovalcredit testing,sehingga hasilnya ada dua
kolom status kredit dan prediction(status kredit) nah di data yang tampil diatas
merupakan data yang telah dilakukan pengujian.

Kesimpulannya:

Dari total data nasabah kredit sebanyak 867 sampel data yang ada secara
keseluruhan tetapi kita cuman melakukan pengujian sebanyak 102 data testing yang
ingin kita uji,dari kolom Status kredit mendapatkan nilai 59 nasabah yang status
kreditnya macet sedangkan nilai 41 nasabah status kreditnya lancar.

Sedangkan dari kolom prediction (status kredit) mendapatkan nilai 61 nasabah

yang status kreditnya macet sedangkan nilai 41 nasabah status kreditnya lancar

5. selanjutnya tahap terakhir ini melakukan uji akurasi klasifikasi terhadap data
decision tree tadi dengan menggunakan operator performance klasifikasi.dengan
parameter kriteria information_gain dengan tampilan design nya seperti dibawah
ini:

Tampilan desain:

Tampilan hasil akurasinya:

Penjelasannya:setelah dilakukan analisis sesuai parameter diatas menghasilkan
tampilan result hasil akurasi dibawah ini menggunakan parameter information_gain
yang artinya jumlah tingkat akurasinya sebesar 96.08%.
 Kesimpulan

Setelah melakukan analisis dan oengujian dengan menggunakan rapidminer maka

dapat diperolah kesimpulan sebagai berikut:

a) Memprediksi status kelancaran setiap nasabah koperasi simpan pinjam RIAS

dengan menggunakan metode analisis algoritma decision tree.

b)terdapat aturan pada pemodelan pohon keputusam,dimana keputusan lancar atau

macetnya aangsuran bergantung pada kondisi jangka waktu dan besaran pinjaman
nasabah.

c)Berdasarkan evaluasi pembahasan sebelumnya dari pengujian menggunakan tools

rapidminer yang telah dilakukan, penerapan data mining klasifikasi kelancaran
nasabah koperasi simpan pinjam RIAS menghasilkan tingkat akurasi yang tinggi
yaitu sebesar 96.08%.

d)Berdasarkan evaluasi yang telah dilakukan kriteria/atribut status macet yang

diperoleh adalah nasabah yang masih mengalami ada tunggakan pokok dan
tunggakan bunga nya.

c)berdasarkan hasil visualisasi data menunjukan bahwa, semakin besarnya jumlah

angsuran dan jangka waktu yang hanya sedikit maka kemungkinan besar nasabah
akan mengalami macet angsuran sehingga menyebabkan adanya
penunggakan,tetapi apabila semakin besarnya jumlah angsuran dan jangka waktu
pinjaman yang semakin lama maka kemungkinan besar nasabah status kreditnya
lancar.